【正文】 再勵(lì)信號(hào) re（獎(jiǎng)或懲）反饋至學(xué)習(xí)機(jī)。其本質(zhì)特征在于神經(jīng)網(wǎng)絡(luò)中高層次神經(jīng)元對(duì)低層次神經(jīng)元輸入模式進(jìn)行競(jìng)爭(zhēng)式識(shí)別。算法層次主要研究如何求 解一特殊的信息處理 問(wèn)題 ，非線性規(guī)劃理論主要關(guān)心用于探索目標(biāo)函數(shù)全局極小的有關(guān)算法的分析與設(shè)計(jì)。這樣，存儲(chǔ)器與運(yùn)算器之間的通道就成為提高計(jì)算能力的瓶頸。 形成拓?fù)溥B續(xù)及統(tǒng)計(jì)意義上的同構(gòu)映射：這是對(duì)同定概率密度函數(shù)選擇的輸入數(shù)據(jù)進(jìn)行自適應(yīng)的一種自組織映射，最終使得數(shù)據(jù)空間上的不同項(xiàng)有某種同構(gòu)。另外，神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)等智能特點(diǎn)，非常適合作控制器。其發(fā)展過(guò)程大體上經(jīng)歷了經(jīng)典控制理論、現(xiàn)代控制理論以及 20 世紀(jì)70 年代后期提出和發(fā)展起來(lái)的非線性智能控制 理論三個(gè)發(fā)展階段。 神經(jīng) 網(wǎng)絡(luò) 控制是非線性控制的一個(gè)分支。 這些 特點(diǎn)說(shuō)明神經(jīng)網(wǎng)絡(luò)適應(yīng)了控制理論和控制工程領(lǐng)域發(fā)展的基本要求，在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制方面有巨大潛力。 控制中常用的神經(jīng)網(wǎng)絡(luò)模型 根據(jù) 人工神經(jīng)網(wǎng)絡(luò)對(duì)生物神經(jīng)系統(tǒng)的不同組織層次和抽象層次的模擬，神經(jīng)網(wǎng) 絡(luò)模型的類型可分為： 神經(jīng)元層次模型：研究工作主要集中在單個(gè)神經(jīng)元的動(dòng)態(tài)特性和自適應(yīng)特性上，探索神經(jīng)元對(duì)輸入信息有選擇的響應(yīng)和某些基本存儲(chǔ)功能的機(jī)理。 Hopfield 神經(jīng)網(wǎng)絡(luò) 由相同的神經(jīng)元構(gòu)成的單層網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)可以完成制約優(yōu)化和聯(lián)想記憶等功能。例如： 1991 年． Werbos 將神經(jīng)網(wǎng)絡(luò)控制劃分為學(xué)習(xí)控制、直接逆動(dòng)態(tài)控制．神經(jīng)自適應(yīng)控制、 BTT 控制和自適應(yīng)決策控制五類。而當(dāng)系統(tǒng)出現(xiàn)干擾時(shí)，反饋控制器又重新起作用。 神經(jīng) 網(wǎng)絡(luò) 自適應(yīng)控制 (Adaptive Control) 如圖 所示 基于神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)控制研究 24 圖 神經(jīng)網(wǎng)絡(luò)參數(shù)估計(jì)自適應(yīng)控制 在這里利用神經(jīng)網(wǎng)絡(luò)的計(jì)算能力對(duì)控制器參數(shù)進(jìn)行約束，優(yōu)化求解，控制器可以是基于 Lyapunov 的自適應(yīng)控制或自校正控制以及模糊控制器可以證明， 這種方法對(duì)非線性系統(tǒng)有期望的穩(wěn)定性。 顯然 ，自校正控制器是參數(shù)在線估計(jì)和控制器參數(shù)在線設(shè)計(jì)二者的有機(jī)結(jié)合。 圖 模型參考自適應(yīng)控制系統(tǒng) c 自學(xué)習(xí)控制 自 學(xué)習(xí)控制的原理是設(shè)想自適應(yīng)控制系統(tǒng)中的調(diào)節(jié)器 R(p)中的參數(shù)向量 p可以調(diào)整，自適應(yīng)的目標(biāo)是使某一性能指標(biāo)達(dá)最小值，按一定的算法自動(dòng)調(diào)節(jié)參數(shù)向量 p。神經(jīng)網(wǎng)絡(luò)權(quán)值基于神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)控制研究 30 修正目標(biāo)是使輸出誤差 0de y y? ? ? 或二次型指標(biāo)展小．當(dāng)參考模型為恒等映射時(shí)，即為直接逆控制。該方法的可行性在相當(dāng)程度上取決于逆模型的準(zhǔn)確程度，為此需要大蕾的數(shù)據(jù)進(jìn)行辨識(shí)。 在 神經(jīng)網(wǎng)絡(luò)直接 自 適應(yīng)控制中， 網(wǎng) 絡(luò)權(quán)值的調(diào)整相當(dāng)于對(duì)控制誤差的積分，正是因?yàn)樵摗胺e分”作用，神經(jīng)網(wǎng)絡(luò)直接自適應(yīng)控制可以做到系統(tǒng)階躍響應(yīng)穩(wěn)態(tài)無(wú)差。 徑 向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種新穎有效的前饋式神經(jīng)網(wǎng)絡(luò)。由此可見(jiàn)，網(wǎng)絡(luò)由輸入到輸 出 的跌射是非線性的，隱層到輸出的映射卻是線性的，這也體現(xiàn)了上面所說(shuō)的 RBF 神經(jīng)網(wǎng)絡(luò)的映射關(guān)系 。節(jié)點(diǎn)數(shù)量過(guò)多或過(guò)少，都會(huì)降低網(wǎng)絡(luò)的泛化能力。 （ 1） k means 聚類 徑 向基函數(shù) 網(wǎng)絡(luò) 的隱層可由 kmeans 聚類完成，聚類算法所得的每一 類 都被作為一個(gè)隱藏層 節(jié) 點(diǎn)，輸出層的權(quán)系數(shù)可由最小均方誤差算法或其他線性映射求得 kmeans 聚 類 算法具有簡(jiǎn)單、 高效等 特點(diǎn)，但聚類結(jié)果易受初始參數(shù)選取的影響 并 常收斂于局部極小值 ， 這就使得聚類結(jié)果影響到 RBF 網(wǎng)絡(luò)的最終訓(xùn)練結(jié)果。一般可用簡(jiǎn)單有效的梯度 下 降法．該算法雖簡(jiǎn)單直接，但思想類似于 BP同絡(luò)的 BP 算法，訓(xùn)練結(jié)果存在收斂性問(wèn)題，跟初始化參數(shù)有關(guān)． (2)寬度的確定 a 固定法 當(dāng) 中心由訓(xùn)練數(shù)據(jù)確定后， RBF 寬度可由 2dM?? 確定，其中 d 是所有類的最大距離， M 為 RBF 中心的數(shù) 目。因此，構(gòu)建 RBF 神經(jīng)網(wǎng)絡(luò)的關(guān)鍵點(diǎn)和難點(diǎn)就是隱層的生成，這包括隱層特點(diǎn)數(shù)目的確定、隱層中心和寬度的確定。 RBF 神經(jīng)網(wǎng)絡(luò)工作的基本思想是：用 徑 向基函數(shù)作為隱層單元的“基“構(gòu)青島科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 33 成 隱含 層空間，它是一種局部分布的關(guān)于中心點(diǎn)對(duì)稱的 非 線性函數(shù)，這樣 一旦當(dāng) RBF 的中心確定以后，就可以將輸 入 矢量直接映射到隱空間。 神經(jīng) 網(wǎng)絡(luò)直接 自 適應(yīng)控制以其結(jié)構(gòu)簡(jiǎn)單、算法簡(jiǎn)潔、工程上易于理解，且在一定條件下穩(wěn)定性和收斂性能定性地得到保證而倍受人們的重視 。因 此神經(jīng)網(wǎng)絡(luò)直接自適應(yīng)控制逐漸成為工程中比較實(shí)用的控制策略。 在 實(shí)際控制系統(tǒng)參考模型的選取中，若將非線性被控對(duì)象在工作點(diǎn)附近線性化，將所得到的線性模型選為參考模型，可取得較好的控制效果。而在模型參考自適應(yīng)控制中，閉環(huán)控制系統(tǒng)的期望性能則有一個(gè)穩(wěn)定而優(yōu)良的參考模型來(lái)描述，其控制目標(biāo)是使被控對(duì)象的輸出響應(yīng)一致漸近地趨于 參考模型的輸出響應(yīng)，即 lim ( ) ( )dk y k y k ??? ?? （ 31） 式中 ? 為給定的量，為此，神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制的設(shè)計(jì)將主要是神經(jīng)網(wǎng)絡(luò)控制 器（或） 神經(jīng)網(wǎng)絡(luò)估計(jì)器的設(shè)計(jì)，整個(gè)設(shè)計(jì)基于神經(jīng)網(wǎng)絡(luò)控制理論與技術(shù) 。一種是局部參數(shù) 最 優(yōu)法， 即利用 梯度法或其他參數(shù)優(yōu)化的遞推算法，按性能指標(biāo)最優(yōu)來(lái)選擇自適應(yīng)控制器中基于神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)控制研究 28 的可調(diào)參數(shù)。 圖 自適應(yīng)控制系統(tǒng)示意圖 (2)自適應(yīng)控制系統(tǒng)的類型 從自 適應(yīng)控制系統(tǒng)的設(shè)計(jì)方案來(lái)看，目前理論上較完整，應(yīng)用較廣泛的自適應(yīng)控制有自校正調(diào)節(jié)控制、模型參考自適應(yīng)控制和自學(xué)習(xí)控制 a 自 校正 調(diào)節(jié)控制 自 校正控制基于被控對(duì)象數(shù)學(xué)模型的在線辨識(shí)，然后 按給 定的性能指標(biāo)在線求解最憂控制規(guī)律，它足在系統(tǒng)模型不確定時(shí)最優(yōu)控制問(wèn)題的延伸 。 神經(jīng)網(wǎng)結(jié)預(yù)測(cè)控制 ( Predictive Control) 預(yù)測(cè)控制又稱為基于模型的控制，是 20 世紀(jì) 70 年代 后期 發(fā)展起來(lái)的一類青島科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 25 新型計(jì)算機(jī)控制算法。文獻(xiàn)研究了上述兩種方式的實(shí)時(shí)控制情況，驗(yàn)證了這種方案實(shí)時(shí)控制的可行性。這 類方案如圖 和圖 所示 基于神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)控制研究 22 圖 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制 圖 3 3 神經(jīng)網(wǎng)絡(luò)監(jiān)督控制（前饋控制） 在圖 3 2 中，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的是人工控制器的正向模型，并輸出與人工控制器相似的控制作用，但由于神經(jīng) 網(wǎng) 絡(luò)控制器缺乏反饋，使得構(gòu)成的控制系統(tǒng)的穩(wěn)定性和魯棒性得不到保證。 神經(jīng) 網(wǎng)絡(luò)的數(shù)理模型雖然有很多種，但其基本運(yùn)算可歸結(jié)為四種：積與和、權(quán)值學(xué)習(xí)、悶值處理和非線性函數(shù)處理．不同的模型在某些方面可以有報(bào)人的差別，但總的來(lái)說(shuō)，都包含以 下 八個(gè)特征：處理單元集合，單元集臺(tái)的活躍狀青島科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 21 態(tài)、單元間的連接方式、激活模式在網(wǎng)絡(luò)中的傳遞、把 單元輸入與當(dāng)前狀態(tài)結(jié)合起來(lái)產(chǎn)生新激活值、各單元所用的輸出函數(shù)、學(xué)習(xí)規(guī)則、運(yùn)動(dòng)環(huán)境 。 BP 網(wǎng)絡(luò)：是多層映射網(wǎng)絡(luò)，采用最小均方差的學(xué)習(xí)方式，是使用雖廣泛的網(wǎng)絡(luò)，可用于語(yǔ)言識(shí)別、 自 適應(yīng)控制等，缺點(diǎn)是僅為有導(dǎo)師訓(xùn)練，易陷入局部極小。 在與其他智能控制方法和優(yōu)化算法的融合中 。 便于用犬規(guī)模集成電路來(lái)實(shí)現(xiàn)。神經(jīng)網(wǎng)絡(luò)控制匯集了包括數(shù)學(xué)、神經(jīng)生理學(xué)、腦科學(xué)、生物學(xué)、遺傳學(xué)、人工智能、計(jì)算機(jī)科學(xué)、自動(dòng)控制等學(xué)科的理論、技術(shù)、方法及研究成果。尤其是在當(dāng)今社會(huì)，小的方面如現(xiàn)代化家用電器的芯片控制，交通紅綠燈、路燈的控制，大的方面如宇宙飛船的控制等都離不開控制技術(shù)。神經(jīng)網(wǎng)絡(luò)也可用于多探測(cè)器信號(hào)的融合． 青島科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 17 神經(jīng) 網(wǎng)絡(luò)可對(duì)待傳送（或待存儲(chǔ)）的數(shù)據(jù)提取模式特征，只將該特征傳（或存儲(chǔ)）．接收后再將其恢復(fù)成原始模式。 概率密度函數(shù)的估計(jì)：通過(guò)自組織的方式開發(fā)出一組等概率“錨點(diǎn)”來(lái)響應(yīng)在空間 nR 中按照一定確定概率密度函數(shù) p 選取的一組向量樣本1 2 3,X X X ?。 神經(jīng)網(wǎng)絡(luò)的能力 神經(jīng) 網(wǎng)絡(luò)的能力應(yīng)包含兩個(gè)方面的內(nèi)容，一是神經(jīng)網(wǎng)絡(luò)的信息存儲(chǔ)能力；二是神經(jīng)網(wǎng) 絡(luò)的計(jì)算能力，對(duì)應(yīng)如 下 問(wèn)題： 在一個(gè)有 N 個(gè)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)中，它可以儲(chǔ)存多少位的信息 ？ 神經(jīng)網(wǎng)絡(luò)具有什么樣的計(jì)算能力，也就是說(shuō)它能夠有效地計(jì)算哪些問(wèn)題？ 在 神經(jīng)網(wǎng)絡(luò)模型中，存儲(chǔ)能力與計(jì)算能力構(gòu)成了神經(jīng)網(wǎng)絡(luò)理論的兩個(gè)最基本的問(wèn)題。但動(dòng)力系統(tǒng)理論不是萬(wàn)能的，它不能提供關(guān)于信息處理及如何有效地處理不同的動(dòng)力系統(tǒng)的任何消息。 Delta 規(guī)則：又稱誤差修正規(guī)則，根據(jù)這個(gè)規(guī)則的學(xué)習(xí)算法，通過(guò)反復(fù)迭代運(yùn)算，直至求出最佳的權(quán)值，使期望輸出與實(shí)際輸出的差值展小。如圖 所示 圖 有導(dǎo)師的學(xué)習(xí) 無(wú) 導(dǎo)師的學(xué)習(xí)包括無(wú)監(jiān)督學(xué)習(xí) （ Learning）和再勵(lì)學(xué)習(xí)(RL． Reinforcement Learning)。此后經(jīng)過(guò)十兒年的努力，我國(guó)學(xué)術(shù)界和 工 程界在人工神經(jīng)網(wǎng)絡(luò)的理論研究和麻用方面取得了豐碩的成果，學(xué)術(shù)論文、應(yīng)用成果和研究人員的數(shù)量逐年增加。與此同時(shí)，神經(jīng)科學(xué)和腦科學(xué)日益受到人們的重視，在感覺(jué)系統(tǒng)特別是視覺(jué)研究中發(fā)現(xiàn)的側(cè)抑制原理、感受域概念、皮層的功能柱結(jié)構(gòu)和信息處理的 并行、層次觀點(diǎn)，被證明是神經(jīng)系統(tǒng)信息處理的普遍原則，這些原則對(duì)于神經(jīng)網(wǎng)絡(luò)模型的提出和神經(jīng)計(jì)算機(jī)的研制是不可或缺的啟示 。這些成果的取得又激發(fā)了越來(lái)越多的人投入到神經(jīng)網(wǎng)絡(luò)研究中來(lái)，從而使神經(jīng)網(wǎng)絡(luò)的研究步入了興盛期。 不過(guò)，還是有不少學(xué)者繼續(xù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行研究，取得一些積極的成果。 MP 模型的提出興起了對(duì)神經(jīng)網(wǎng)絡(luò)的研究，從此開創(chuàng)了神經(jīng)科學(xué)理論研究的時(shí)代。快過(guò)程是短期記憶的基礎(chǔ)，從輸入態(tài)到它的鄰近的某平衡態(tài)的映射是多一對(duì)應(yīng)的映射關(guān)系，這種關(guān)系可用來(lái)實(shí)現(xiàn)聯(lián)想存儲(chǔ)等功能。它反映了人腦功能的許多基本特性，但它并不是人腦神經(jīng)網(wǎng)絡(luò)系統(tǒng)的真實(shí)寫照，而只是對(duì)其做某種簡(jiǎn)化、抽象和模擬。近年來(lái)，基于穩(wěn)定性理論的神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制有了較大的發(fā)展，目前神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制已成為神經(jīng)網(wǎng)絡(luò)控制領(lǐng)域的熱點(diǎn) 。為克服這一弱點(diǎn)， 提出了基于 Lyapunov 穩(wěn)定性理論的自適應(yīng)神經(jīng) 網(wǎng)絡(luò)控制方案 ， 采用 Lyapunov 穩(wěn)定性理論獲得網(wǎng)絡(luò)權(quán)值自適麻律。對(duì)于 每一個(gè)網(wǎng)絡(luò)的隱層輸 出 作為輸出層的輸入時(shí)， 徑 向基函數(shù)神經(jīng)網(wǎng)絡(luò)利 用 誤差規(guī)則進(jìn)行有監(jiān)督訓(xùn)練， 網(wǎng)絡(luò) 產(chǎn)生的輸出誤差可以決定在什么位置插入一個(gè)新的自組織特征映射單元，這樣徑向基函青島科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 7 數(shù)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)逐漸變化，直到滿足一定的性能標(biāo)準(zhǔn)或者獲得一個(gè)理想的網(wǎng)絡(luò)結(jié)構(gòu) 為止 。 經(jīng)過(guò) 20 多年的研究，神經(jīng) 網(wǎng)絡(luò) 控制現(xiàn)已成為十分熱門的交叉邊緣學(xué)科，涉及生物、計(jì)算機(jī)、電子和數(shù)學(xué)等眾多學(xué)科，它的發(fā)展對(duì)未來(lái)科學(xué)技術(shù)的發(fā)展將產(chǎn)生重要的影響。神經(jīng)網(wǎng)絡(luò)控制是一種基本上不依賴于模型的控制方法，具有較強(qiáng)的 自 適應(yīng)性和學(xué)習(xí)能力，比較適用于那些具有不確定性或高度非線性的控制對(duì)象。我國(guó)著名學(xué)者錢學(xué)森在他的 《 工程控制論 》一書 中專門論述了生物體的調(diào)節(jié)控制和神經(jīng)網(wǎng)絡(luò)問(wèn)題。 選題的背景和意義 人類 當(dāng)前所面臨的重大科學(xué)技術(shù)研究任務(wù)之一是要揭示大腦的工 作機(jī)制和人類智能的本質(zhì)，開發(fā)智能應(yīng)用技術(shù)，制造具有完成人類智能活動(dòng)能力的幫能機(jī)器。神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制是基于自適應(yīng)的基本原理，利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)和理論設(shè)計(jì)而成的，發(fā)揮 了 自適應(yīng)與神經(jīng)網(wǎng)絡(luò)的各自長(zhǎng)處，為非線性控制的研究提供了一種新方法 。s stability and convergence can be guaranteed under some assumptions. At last the program is designed to verify the effectiveness of the controller. In presented programs. Guassian function is used as basis function. Simulation results s how that the bound ness effects of weighs and control input are better. The rough framework of this thesis is as following: the artificial neural work 基于神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)控制研究 2 and neural work control are introduced in detail from the first chapter to the third chapter。 本文 基于 Lyapunov 穩(wěn)定性理論，采用神經(jīng)網(wǎng)絡(luò)直接自適應(yīng)控制的思想設(shè)計(jì)控制器，研究了一類帶干擾的不確定非線性系統(tǒng)的控制問(wèn)題。 本文第一章到第三章詳細(xì)介紹了人工神經(jīng)網(wǎng)絡(luò)及神經(jīng)網(wǎng)絡(luò)控制的發(fā)展和研究現(xiàn)狀；第四章主要介紹了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，并對(duì)其逼近能力進(jìn)行仿真； 在結(jié)束語(yǔ)中展望了神經(jīng)網(wǎng)絡(luò)控制的發(fā)展前景，提出以后的研究方向。通常 工 業(yè)過(guò)程中都存在著不確定性和時(shí)變性等 非 線性現(xiàn)象，當(dāng)受控對(duì)象或環(huán)境發(fā)生變化時(shí)，為保證良好的控制性能，可采取自適應(yīng)控制策略 。設(shè)計(jì)神經(jīng)控制器需要的有界信號(hào)可通過(guò)一種離線有限時(shí)間的訓(xùn)練方案獲得，以提供必需的穩(wěn)定性和跟蹤性能，空氣動(dòng)力系數(shù)帶來(lái)的不確定