神经网络控制

人工神经网络控制摘要:神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊疗等，亦即同时兼有上述某些功效的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，具体的叙述了神经网络控制的应用以及发展。核心词:神经网络控制；控制系统；人工神经网络人工神经网络的发展过程神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一种新的分支，为解决复杂的非线性、不拟定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它聚集了涉及数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、办法及研究成果。在控制领域，将含有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一种分支。神经控制发展至今，虽仅有十余年的历史，已有了多个控制构造。如神经预测控制、神经逆系统控制等。生物神经元模型神经元是大脑解决信息的基本单元，人脑大概含1012个神经元，分成约1000种类型，每个神经元大概与102~104个其它神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元即使都十分简朴，但是如此大量的神经元之间、如此复杂的连接却能够演化出丰富多彩的行为方式，同时，如此大量的神经元与外部感受器之间的多个多样的连接方式也蕴含了变化莫测的反映方式。图1生物神经元传递信息的过程为多输入、单输出，神经元各构成部分的功效来看，信息的解决与传递重要发生在突触附近，当神经元细胞体通过轴突传到突触前膜的脉冲幅度达成一定强度，即超出其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质，突触有两种类型，兴奋性突触和克制性突触。前者产生正突触后电位，后者产生负突触后电位。人工神经网络的定义人工神经网络(ARTIFICIALNEURALNETWORK，简称ANN)是现在国际上一门发展快速的前沿交叉学科。为了模拟大脑的基本特性，在当代神经科学研究的基础上，人们提出来人工神经网络的模型。人工神经网络是在对人脑组织构造和运行机智的认识理解基础之上模拟其构造和智能行为的一种工程系统。人工神经网络的定义不是统一的，T.Koholen对人工神经网络的定义：“人工神经网络是由含有适应性的简朴单元构成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反映。”人工神经网络的基本原理人工神经网络（articlesneuralnetwork，ANN）构造和工作机理基本上以人脑的组织构造（大脑神经元网络）和活动规律为背景的，它反映了人脑的某些基本特性，但并不是要对人脑部分的真实再现，能够说它是某种抽象、简化或模仿。神经网络在2个方面与人脑相似：(1)人工神经网络获取的知识是从外界环境中学习得来的。(2)互连神经元的连接强度，即突触权值，用于存储获取的信息。他既是高度非线性动力学系统，又是自适应组织系统，可用来描述认知、决策及控制的智能行为。神经网络理论是巨量信息并行解决和大规模并行计算的基础。人工神经网络的基本特性1、并行分布解决：人工神经网络含有高度的并行构造和并行解决能力。这特别适于实时控制和动态控制。各构成部分同时参加运算，单个神经元的运算速度不高，但总体的解决速度极快。2、非线性映射：人工神经网络含有固有的非线性特性，这源于其近似任意非线性映射(变换)能力。只有当神经元对全部输入信号的综合解决成果超出某一门限值后才输出一种信号。因此人工神经网络是一种含有高度非线性的超大规模持续时间动力学系统。3、信息解决和信息存储合的集成：在神经网络中，知识与信息都等势分布贮存于网络内的各神经元，他分散地表达和存储于整个网络内的各神经元及其连线上，体现为神经元之间分布式的物理联系。作为神经元间连接键的突触，既是信号转换站，又是信息存储器。每个神经元及其连线只表达一部分信息，而不是一种完整具体概念。信息解决的成果反映在突触连接强度的变化上，神经网络只规定部分条件，甚至有节点断裂也不影响信息的完整性，含有鲁棒性和容错性。4、含有联想存储功效：人的大脑是含有联想功效的。例如有人和你提起内蒙古，你就会联想起蓝天、白云和大草原。用人工神经网络的反馈网络就能够实现这种联想。神经网络能接受和解决模拟的、混沌的、含糊的和随机的信息。在解决自然语言理解、图像模式识别、景物理解、不完整信息的解决、智能机器人控制等方面含有优势。5、含有自组织自学习能力：人工神经网络能够根据外界环境输入信息，变化突触连接强度，重新安排神经元的互有关系，从而达成自适应于环境变化的目的。6、软件硬件的实现：人工神经网络不仅能够通过软件并且可借助软件实现并行解决。近年来，某些超大规模集成电路的硬件实现已经问世，并且可从市场上购到，这使得神经网络含有快速和大规模解决能力的实现网络。许多软件都有提供了人工神经网络的工具箱（或软件包）如Matlab、Scilab、R、SAS等。人工神经网络的基本数学模型神经元是神经网络操作的基本信息解决单位（图2）。神经元模型的三要素为：(1)突触或联接，普通用wij(2)反映生物神经元时空整合功效的输入信号累加器。图2一种人工神经元（感知器）和一种生物神经元示意图(3)一种激活函数用于限制神经元输出（图3），能够是阶梯函数、线性或者是指数形式的函数（Sigmoid函数）等。图3激活函数：(a)阀值单元(b)线性单元(c)(d)非线性单元：Sigmoid函数图3是神经元的基本模型，图5是多层人工神经网络模型的示意图，其中为输入信号，对应于生物神经元的树突输入，其它神经元的轴突输出；为神经元的内部状态；为阀值；为神经元和神经元的连接权值，其正负分别表达兴奋和克制；为激活函数，也称变换函数或传递函数；为输出。这个模型能够描述为：图4神经元的基本模型图5多层人工神经网络示意图常见神经元响应函数(4)非线性单元：Sigmoid函数EQEQ（a）（b）神经网络基本学习算法有教师学习（监督学习）神经网络神经网络（学习系统）误差分析误差信号et盼望输出P输入a盼望输出无教师学习（无监督学习）神经网络神经网络（学习系统）P输入a盼望输出强化学习（再励学习）神经网络神经网络（学习系统）外部环境评价信息P输入a盼望输出人工神经网络应用人工神经网络通过数年的发展，应用研究也获得了突破性进展，范畴正在不停扩大，其应用领域几乎涉及各个方面。半个世纪以来，这门学科的理论和技术基础已达成了一定规模，就应用的技术领域而言有计算机视觉，语言的识别、理解与合成，优化计算，智能控制及复杂系统分析，模式识别，神经计算机研制，知识推理专家系统与人工智能。涉及的学科有神经生理学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、光学、动力学、生物电子学等。美国、日本等国在神经网络计算机软硬件实现的开发方面也获得了显着的成绩，并逐步形成产品。人工神经网络在数据挖掘中重要应用于数据的分类和预测，在分类办法中，与传统的统计办法相比，神经网络含有很强的学习能力，极大地提高了分类的精度和预测的准测度。人工神经网络与支持向量机、遗传算法、随机森林等其它先进算法的结合，产生更为精确地算法，在R的galgo包（重要应用于生物信息学）中已经体现出来。神经网络应用于系统辨识与控制的优点：不必数学建模，只需在线或离线学习训练，同时合用于线性和非线性系统，含有很强的适应性和鲁棒性，容易和其它控制方式结合。1数字识别1数字识别每一网格的明暗度经光电器件转换成电信号神经网络(NN)的输入与网格阵列一一对应每一网格的明暗度经光电器件转换成电信号神经网络(NN)的输入与网格阵列一一对应输出电平高低的组合对应要识别的数字用数字样本和原则输出对NN进行训练2系统辨识3专家控制人工神经网络发展方向人工神经网络模型的研究运用神经生理与认知科学研究人类思维以及智能机理和运用神经基础理论的研究成果，用数理办法探索功效更加完善、性能更加优越的神经网络模型，进一步研究网络算法和性能。如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论，如：神经网络动力学、非线性神经场等。人工神经计算和进化计算要把基于链接主义的神经网络理论、基于符号主义的人工智能专家系统理论和基于进化论的人工生命这3大研究领域，自发而有机的结合起来。建立神经计算和进化计算的数学理论基础。“并行分布解决(PDP)”含有自学习、自适应和自组织的特点，这是一种提高计算性能的有效途径，是神经网络迫切需要增强的重要功效，必须加以重视，同时，还应寻找其它有效办法，建立含有计算复杂性、网络容错性和坚韧性的计算理论。进一步研究调节多层感知器的算法，使建立的模型和学习算法成为适应性神经网络的有力工具，构建多层感知器与自组织特性图级联想的复合网络，是增强网络解决实际问题能力的一种有效途径，重视链接的可编程性和通用性问题的研究，从而增进智能科学的发展。神经网络计算机的实现神经网络构造和神经元芯片的作用将不停扩大。神经网络构造的研究是神经网络的实现以及成功地实现应用的前提，又是优越的物理前提，他体现了算法和构造的统一是硬件和软件的混合体，将来的研究重要是针对信息解决功效体，将系统、构造、电路、器件和材料等方面的知识有机地结合起来，建构有关的新概念和新技术，在硬件实现上，研究材料的构造和组织，使他含有自然地进行信息解决的能力。有关自己对人工神经网络的认知??（1）人工神经网络的发展很大程度依靠算法的改善和计算硬件速度的发展；概率神经网络、含糊神经网络及与其它新技术的结合是很重要的发展方向。（2）人工神经网络即使已得到广泛的应用，但认为多个识别工作都能够运用神经网络来实现的观点是不成熟的。（3）神经网络搭建的成功与否，很大程度取决于隐层单元个数的选择，而现在仍然没有该选择的理论根据；另外，输入层、输出层确实立往往依不同的设计人员而有不同的选择方式，因此，针对一种问题而建立的不同神经网络可能有多个，从而使得网络的识别能力存在差别。（4）网络的训练和仿真对训练样本和测试样本有很大的依赖性。如果两种样本的数量、类别不完备，网络的训练将存在缺点，甚至达不到设计目的。因此，使用神经网络技术，前提是有良好的数据样本基础。