人工神经网络5翻译

第14单元智能控制是一类控制技术，这些技术使用各种人工智能计算方法，如人工神经网络、贝叶斯概率、模糊逻辑、机器学习、进化计算和遗传算法等。在这个单元，（我们）对智能控制和神经网络做一概述。一、智能控制由于控制方法已经进入标准应用，这使他们能用于多种复杂应用。这种复杂系统的特点是：差模型，高维决策空间，分布式传感器和决策者，高噪声水平，多个子系统，多层级，多时间尺度和（或）性能标准，复杂的信息模式，庞大数据量和严格性能要求。由于生命系统应付类似的情况的能力是众所周知的，系统理论家便试图将这些概念纳入人工系统。因此，在过去的四、五十年内，很多心理学、生物学等学科的概念，如模式识别、适应性、学习和自组织，被引入系统论中。［1］智能控制只是在这一系列概念中最新的。定性地说，一个系统，它包含能够感知周围环境，处理信息以减少不确定性，在前面提到的情况下策划、生成和执行控制行动等能力，它就构成一个智能控制系统。处理上述困难的能力越大，该控制系统越智能。智能控制的一个恰当的定义是一门学科,控制算法的发展是通过模拟智能生物系统的某些特点来实现的。［2］它作为一种技术迅速发展，可能为许多领域的重大进展打开途径（铺平道路。事实上，在计算技术进步的推动下，它已经取得了一些非常令人兴奋和充满希望的结果。目前，在非结构化的环境下的机器人设备，具有自我修复功能的高性能飞机，以及容易出现灾难性执行器或传感器故障的复杂的工业厂房中，设计智能控制系统有着浓厚的兴趣。智能控制系统设计的主要目标之一是模仿人类的行为。如果我们能够产生真正的人工智能，产生的行为将自然地被视为智能的。但因为这似乎是长期的挑战，依循模仿人类的子目标是比较合理的。智能控制系统设计的有效方法的发展，无疑需要合成人工智能、实时计算和控制工程中的许多概念。有三种办法有智能控制的潜力：作为控制系统中自适应元素的专家系统；作为控制系统的决定生产要素的模糊计算；作为控制系统补偿元素的神经网络。专家系统，或基于规则的系统，体现了一种构建于if-then规则周围的、以规则为基础的解决范例。当过程从if条件序列向前推进到then动作序列，它被称为正向推理。虽然这个方法可以适用于控制系统的决策需要，但是这一方法一般对高速系统来说太缓慢，并且有限的学习能力。反向推理从then动作的理想序列开始，反向确定适当的if条件是否得到满足。这种方法对控制系统的应用来说可能是更恰当的，因为，当错误检测和纠错能力被添加到反向推理系统中时，会产生一个反馈回路。模糊集理论中，分配给该元素的隶属函数是连续的，并且在零和无穷大之间，这是与标准的集合理论是不同的。如果隶属函数仅采用零和无穷大的极端值，那么模糊集降低到标准集合理论。在数据和关系不能用清晰的数学术语来表述的情况下，模糊集理论是有用的。例如，飞机员指出方向舵无法正常工作是给出的一个重要模糊信息，即使这一信息不能用经典数学模型来描述，也必须纳入外部控制回路的决策过程中。［3］神经网络提供了一个为各种物理现象建立实证非线性模型的强大的方法。用

神经网络，控制问题可以被看作是一个模式识别问题，其中，被识别的模式是变化的信号，映射到特定系统性能的行动信号。该智能控制器应识别和隔离实时的变化模式，并从经验中学习以更加迅速地识别变化，即使只有不完全的数据。我们相信，这些技术确实有用，是迈向智能控制的重要一步（关键，但不是解决复杂、大规模系统智能控制的答案。近年来，机械、电气和计算机工程已经融合到了机电一体化领域。智能设备，包括传感器、执行器、软件，制作成智能机电元件，将这三个方面自然融合在最小空间上。一个机电一体化模块的复杂性，主要是在控制软件，通常被称为系统的智力。总结智能控制方法的命题：系统和技术集成，包括机电一体化、计算机科学、系统优化设计、沟通和人机互动，可能会产生我们期望从智能控制中得到的。智能控制如图14-A-1所示。Human（RealWorld）HumanInterface

VirtualReality

InformationInfrastructureIntelligentControlLearningManagement

PlanningCoordinationOperationsResearchMemoryHeuristicsOptimizationFeedbackDynamicsCommunication

ObjectOrientedDesign

IntelligentControlLearningManagement

PlanningCoordinationOperationsResearchMemoryHeuristicsOptimizationFeedbackDynamicsCommunication

ObjectOrientedDesign

DistributedProcessingArtificial

IntelligenceControlTheoryComputer

Science图14-A-1智能控制系统的关键技术将与人的交互作用包括在智能控制系统中，并将其看作一个重要的组成部分的一个原因是，人工智能难以实现目标导向的智能行为。[4]对复杂智能控制系统来说，系统设计优化和最优参考轨迹的生成是一个重要的问题。各种强有力的数值优化工具是可用的，并且，在半定规划、线性矩阵不等式和内点法的最新发展，创造了越来越有效的算法。余下的一个重要的关键问题是：在不影响已经学到的知识的条件下，反复提高智能控制系统的性能。人们可以把这称为认真探索，反复尝试以提高性能。看来还很难用目前的方法实现这一点，如自适应控制或类似人工神经网络和模糊方法的新技术。正在进行中的利用智能控制计划的研究指向一个方向：连续控制计划必须与离散事件模型和监控器相结合。[5]二、人工神经网络人工神经网络，又称为神经网络，是一种信息处理系统，其设计源于对人类大脑由（在）观察中学习和由（在）抽象中归纳能力的研究。[1]一个典型的神经网络结构（图14-B-1），其基本组成部分有两种类型，即处理单元以及它们之间的互连。处理单元被称为神经元，神经元之间的连接称为链接或突触。每一个链接都有相应的权重参数与之相关联。每个神经元接收来自与之连接的其他神经元的激励，处理信息，并生成一个输出。接收来自外部激励的神经元被称为神经网络的输入神经元，而其输出被外部使用的神经元被称为输出神经元。接收来自其他神经元的激励，其输出是网络中的其他神经元的激励，这类神经元被称为隐藏神经元。不同的神经网络结构可以通过使用不同类型的神经元和不同方式连接它们来构建。neurons图14-B-1神经网络的原理图人工神经网络的最重要的特性之一是它能够从环境中学习，并通过学习来改善其表现。从本质上讲，学习在人工神经网络里的定义是一个过程，通过学习，人工神经网络的自由参数在一个持续的激励过程中进行调整，从而适应被嵌入的环境。［2］有许多不同类型的学习过程，大致可分为：纠错，赫布，竞争，波兹曼，监督，增强和监管（无人监管。基本上有四种类型的人工神经网络在使用。单层感知是我们（即将）介绍的第一种。这个简单的网络在起初发展时就引起了很大的兴趣，因为它能够学会识别简单的模式；本质上说，它是一个感知，决定一个输入是否属于两个类别之一。权重可以通过基于错误校正学习算法训练网络来学习。然而，这种类型网络的一个主要缺点是，只有测试模式（包括输入向量和目标输出）是线性可分的时候，网络才产生正确的解决方案。［3］当输入和输出之间存在非线性的关系时，网络就很难训练集合。我们如何克服无法用神经网络解决线性不可分问题的难题呢？使用多层感知器可以克服这个问题。多层感知器的学习规则被称为广义三角规则，或反向传播规律，这是错误纠正学习的一个修正版本。其主要思想是：通过从输出层反向传播误差到隐藏层来调整权重，以减少期望输出和实际输出之间的误差。它是基于一个迭代梯度算法。对人工神经网络的大部分的重新关注可以归因于约翰•霍普菲尔1982年的一篇论文。霍普菲尔的工作揭示了一个事实，即由简单的神经元样的成分构成的仿生网络可用于计算目的。Hopfield网络是一项经常性的网络，它作为一个反馈系统来运作。图14-B-2说明了Hopfield人工神经网络的一个典型结构。网络的每个向前的操作称为迭代。经常性的网络，如任何非非线性动态系统，能出现各种可能的行为。一个特别的可能性是，该系统可以稳定，也就是说，它可能会收敛到一个固定点。该系统固定在同一个状态，不断地输入和输出同一个点。一般情况下，将会有一个以上的固定点。Hopfield网络的不动点集是网络所记忆的点。通过这种方式，网络可以作为一种联想的记忆来运作。43图14-B-2Hopfield网络的结构人类大脑的一个迷人的特征是，它的物理组织明显地反映了提交给它的外部激励的组织。在80年代初，TeuvoKohonen开发了一种算法来模拟大脑针对外界激励来组织自身的能力。他称他的算法为自组织特征映射。Kohonen的算法代表了人工神经网络的一种类型，它在没有监督的情况下就能学习。这种无监督的学习本质上是基于竞争学习，网络的输出神经元彼此之间的竞争被激活，使得结果在任意时刻，只有一个输出神经元或者每组一个神经元有效。［4］赢得竞争的输出神经元被称为通吃所有神经元的赢家。由竞争学习网络形成的团簇的稳定性是不能保证。在这方面，自适应共振理论被提出用来解决这个问题。自适应共振理论网络有几种不同的类型。除人工神经网络的这四种类型，还有一些混合学习网络。认识了（吸取了）监督和非监督学习的优点和缺点，混合学习网络提供了一个利用双方所提供的优点的机会，如对向传播网络和径向基函数网络。神经网络可以通过训练来从相关数据学习任意非线性输入输出关系，这一事实使得他们在许多领域被使用，如模式识别、语音处理、控制、生物医学工程等。神经网络能够有效代替传统方法，如数值模拟方法，其计算可能昂贵；或者是分析方法，可能不容易被新设备接受；或者是经验模型，其范围和准确度可能会受到限制。［5］神经网络首先训练对无源和有源元件/电路的电气性能进行建模。这些经过训练的神经网络，通常被称为神经网络模型（或简称神经模型），然后可以用于高级仿真和设计，对他们学过的任务提供快速的答案。神经网络也被用于阻抗匹配，逆建模，测量和综合。对神经网络的兴趣增加是由于在网络训练算法的进步和最近硬件的进步，硬件进步已经使得制造非常快、相对廉价的计算机来执行这些算法成为可能。神经网络算法的设想的实现是特殊用途的模拟或数字计算机，但目前大部分的开发工作涉及到在传统电子计算机上进行算法的仿真。在一般情况下，基于神经网络的工作可分为以下几个方面：（1）找到确定神经网络的连接和权重的算法，以解决问题；（2）使用微电子或光学的方法来机械化网络；（3）调查生物神经网络的操作和结构。早期的算法工作大部分在信号处理的计算密集领域，如自适应模式识别、实时语音识别、图像理解。在系统和控制中，也有计算密集的领域，如实时识别和航天或机器人中大型柔性结构的控制。第15单元专家系统，是从人工智能发展（起来）的第一个主要的成功应用技术。本单元的第一部分从三个方面给出专家系统的概述：定义，结构和他们的未来地位。而在第二部分，陆上自动车辆定位系统作为一个专家系统的应用实例，作了简要介绍。一、专家系统“专家系统”是一个广泛应用于当今文学的短语，它描述的技术能支持在计算机上模拟人类的推理过程。作为50年代兴起的人工智能的（一个）重要分支，大量的专家系统已经被开发出来用于处理从疾病诊治到金融计划等各类（复杂领域的）问题。［1］成功的商业应用，如数字设备公司为VAX行推出的XCON的配置顾问，已造成（让）研究人员和大公司承认专家系统技术的潜力。那么，专家系统是什么呢？专家系统是一个计算机程序，它能够用于模仿在某一专业领域具有专家水平的人或组织的判断力和行为。［2］通常情况下，这样的系统包括一个知识基础和一个规则集，知识基础包含所积累的经验，规则集是为（删掉）把知识基础运用到每一个（被）称作程序的具体情况（上。复杂的专家系统可以通过对知识基础或对规则集进行补充得到加强。为了全面理解这个定义的意义和性质，我们详述这三大组成部分。首先，专家系统是一个计算机程序。计算机程序是一个软件，作为某些特定问题或客户需要的解决方案，由“程序员”编写。由于专家系统是一个软件产品，它继承了任何一个计算机软件有关（所涉及）的所有问题。其次，专家系统是设计来模拟一个人或一个组织的判断和行为的。专家系统的一个特殊用途是人或组织的决策能力的替代来源（专家系统的一个特殊用途是替代人或组织的决策，而不是依靠一个或少数几个人的专业知识来做出某项决定。［3］由于这些系统不受如无聊、健忘或隧道视觉等人类的弱点（的影响，充分发展的专家系统常常胜过人类模型。第三，专家系统的目的是：获得人类专家的知识，其知识在一个高度专业化的领域是公认卓越的。因此，专家系统的开发过程总是从一个合适的问题的识别开始。例如，癌症专家拥有比一般从业者更详细的知识。（因此）这些专家比他们的只经过一般培训的同事，能够更好地诊断疾病或症状、测试结果和病人的病史。很显然，一个在某个专业领域的专家不太可能（同时）是另一个领域的专家。作为癌症治疗的专家系统也是同样的。这些系统在治疗癌症这一有限领域是专业问题解决者，但可能无助于治疗咳嗽。现在，（既然）我们已经定义了专家系统，我们将重点放在专家系统的结构和重要组成部分（上。图15-A-1专家系统体系结构图15-A-1中显示的是常见的专家系统的结构。它包括：为知识和数据采集过程而增加的内核，用户界面和交互过程，用于（为用户）生成并提出行为解释的进程。专家系统的核心包括所有专家系统的基础和必需的器件，而这些是以一个事实基础，一个规则库以及一个推理机制来定义的。［4］事实基础和规则库相结合，是内核的知识基础。环境E建立了专家系统应用的领域，可以作为专家系统的知识源和驱动其行为的数据源来看。专家系统可以作为一个反应系统来看，如，它基于所拥有的推理能力，对从环境E接收的数据和资料做出反应（它对从环境E收到的数据和信息做出反应，这环境E是基于它所拥有的推理能力）这一机制称为推理引擎，它通过对其规则和事实基础的恰当操作，来支持对环境进行推理。“知识与数据采集”过程在专家系统中使用，以获取与其具体问题的领域相关的新的事实和规则。知识工程被用来形容这个过程,意思是从人类专家或书籍、程序手册、培训指南等其他来源提取和制定知识。通过这一过程，知识被聚集、格式化、验证和确认，并在专家系统知识库计算机中呈现。“用户界面”过程是专家系统使用的一种机制，用来向人类用户呈现问题和信息，并将用户的反应提供给推理引擎。由用户输入的任何值都必须由用户界面接收和解释。检查用户反应以确保他们是正确的数据类型或与答案的有效集是一致的。关于专家系统运作的重要信息，特别是关于其对与之相关的环境状态的决定，关于与环境状态了解相关的它的行动，这些信息也有被提供。“解释”过程被专家系统所使用，用以向用户提供其行动和（或）建议的合理的历史。这种解释是通常通过提供文字评论来实现，文字评论确定被取消的规则序列，以及相关的已保存的或自动生成的关于取消规则的原因的评论。这一设施可以让用户了解专家系统如何达到一定的结果，并且可以用来让用户验证由专家系统利用的推理机制是正确的。经过40多年的发展，专家系统被广泛应用于世界各地，但是，要真正蓬勃发展到成为普通问题的解决方法，仍有许多必须克服的障碍。目前这一代的专家系统，被三大局限困扰着：信息脆性、隔离和静态知识。某些仍处于探索阶段的办法，比如学习（的方法）或者与其他人工智能技术的集成，被用来拓宽专家系统的应用领域和克服其局限性。［5］专家系统的未来是非常光明的，他们将变得更聪明，更容易使用，更有帮助。二、智能汽车的动态专家系统人口增长引起公路上车辆数和乘客数的增加，造成交通拥堵的增加和安全系数的减少，特别是在大都市。智能车辆在今天已经可以使死亡人数进一步减少，有效缓解城市和城市间的走廊的拥堵，并且可显著减少污染物排放量和温室气体。智能导航系统是智能车辆的关键技术之一，是用于有限容量的公路上行驶的汽车，能够全自动驾驶车辆或给予驾驶人有益意见。车辆智能导航的动态专家系统，可以发展来履行这一职能（可以被开发来履行这一功能。在有限容量的公路上开车时，司机必须做很多指导和控制决策。所有这些决策都需要认真计划，分析交通情况，进行逻辑推理，这似乎是“聪明和复杂”的任务。以规则为基础的专家系统的开发提供了必要的“智能”，以执行精确控制和质量决策，而该车辆的实际控制则被留给其他机电系统。对于普通专家系统，可以依据静态或者近似静态的知识集来工作，并不需要“实时”地推理出一个结论。用在智能汽车上的动态专家系统不同。由于汽车的高速运动，这类专家系统有着极强的执行时间约束。（在这里，“实时”意味着需要在和汽车运动相比拟的时间内得到问题的答案）［1］车辆控制回路中动态专家系统的集成框图已描绘在图15-B-1中。车辆是由一个人类操作员操作，他规定了任务目标和约束。要在动态开放的环境中提供自治式的机动性，即需要系统具备感知环境、并且利用传感器数据提取环境关键特征的能力，这就要求专家系统必须分析来自人类驾驶员和不同传感器提供的信息，并且给控制器提供控制命令。［2］控制器执行车辆的基本控制，如为留在车道的中心或改变车道而转向，指挥（控制）油门和制动以达到所需的速度和加速度。在每次迭代中，专家系统生成两个指令发出到控制器一一一个为横向控制器（控制线），另一个为纵向控制器（进展控制）。这样，该车辆的动态便在专家系统的控制下。图15-B-1智能导航和控制系统的框图与其他专家系统相同，车辆智能导航的专家系统由三个部分组成：数据库，规则库和推理机。该数据库是一个外部参数和内部参数的集合，这些参数具有符号值或数值。外部参数代表交通情况和司机的输入，如该车辆的速度、油门位置或方向盘的角度。这些参数在控制循环的每一次迭代中更新。内部参数被专家系统用来存储已被系统推断的信息。因此，所有内部参数最初设置为未知数。作为专家系统的核心，自主驾驶的知识以规则库中规则的形式