计算机控制技术第六章教程分析.pptVIP

1. 什么是模糊控制? 模糊控制的感性认识1 模糊控制与经典控制理论的本质区别： 模糊控制的核心——只用已知的系统的粗略的知识描述系统，不用建立数学模型，并在此基础上引入模糊控制算法。 模糊控制的感性认识2 模糊控制的特点： 不用数学方程，而用语言为代表的模糊变量描述系统； 用条件命题语句记述模糊变量间的关系； 用模糊推理方法实现系统的运算。 举例： 汽车倒车开进停车库 考虑：传统的微分方程法 车的位置为θ，车的方向为ω 车的状态为x=(ω,θ)，操作量为u=(u1,u2) ， u1为前轮的角度，u2为车速 解决方案 在汽车驾驶学校，教员通过简单的口头传授将汽车开入车库的技能教会学员。 模糊集 ——用数学方法表述模糊概念的手段 模糊概念的量化 模糊数学不仅抓住了事物的两头，判明Yes和No，且还注意到它们中间的联接，用函数的方法细腻地刻画出它们之间符合自然的过渡过程。 “较少”、“较多”、“小一些”、“很少”等模糊语言来进行描述和控制问题。 “模糊”是人类感知万物、获取知识、思维推理、决策实施的重要特征。“模糊”比“清晰”所拥有的信息容量更大，内涵更丰富，更符合客观世界。 模糊控制理论是由美国著名学者加利福尼亚大学教授L.A.Zadeh于1965年首先提出，它以模糊数学为基础，用语言规则表示方法和先进的计算机技术，由模糊推理进行决策的一种高级控制策略，而且发展至今已成为人工智能领域中的一个重要分支。 1974年，英国伦敦大学教授E.H.Mamdani研制成功第一个模糊控制器，充分展示了模糊控制技术的应用前景。 模糊控制系统通常由模糊控制器、输入输出接口、执行机构、测量装置和被控对象等五个部分组成，如下图所示。 模糊控制理论是控制领域中非常有发展前途的一个分支，这是由于模糊控制具行许多传统控制制无法比拟的优点，主要优点如下： 不用数学方程，而用语言为代表的模糊变量描述系统 用条件命题语句记述模糊变量间的关系 用模糊推理方法实现系统的运算 适应性强 控制程序简短 速度快 开发方便 可靠性高 性能优良 模糊集合的引入将人的判断、思维过程用比较简单的数学形式直接表达出来，从而使对复杂系统做出合乎实际的、符合人类思维方式的处理成为可能，为最初模糊控制器的形成奠定了基础。 近年来，对于经典模糊控制系统稳态性能的改善，模糊集成控制、模糊自适应控制、专家模糊控制与多变量模糊控制的研究，特别是对复杂系统的自学习与参数(或规则）自调整模糊系统方向的研究，受到各国学者的重视。人们将神经网络和模糊控制技术相结合，形成了一种模糊神经网络技术，它可以组成一组更接近于人脑的智能信息处理系统，其发展前景十分广阔。 近年来，模糊控制得到了广泛的应用。下面简单介绍一些模糊控制的应用领域： 1)航天航空：模糊控制现在已应用于各种导航系统中。 2)工业过程控制：工业过程控制的需要是控制性术发展的主要动力。 3)家用电器: 全自动洗衣机、电饭煲、空调等。 4)汽车和交通运输：防抱死刹车系统，基于模糊控制的无级变速器，模糊发动机控制和自动驾驶控制系统等。 5)其控制场合： 电梯控制器、工业机器人、核反应控制、医疗仪器等。除控制应用以外，还应用于图像识别、计算机图像处理、金融和其他专家系统中。 1.生物神经元模型 人脑是由大量的神经细胞组合而成的，它们之间相互连接。每个神经细胞（也称为神经元）结构如下图所示。 2. 人工神经元模型 人工神经网络是利用物理器件或仿真程序来模拟生物神经网络的某些结构和功能。下图是最典型的人工神经元模型。 ３．人工神经网络 下图表示了两个典型的神经网络结构，图a)为前馈型网络，图b)为反馈型网络。 典型的神经网络控制包括神经网络监督控制（或称神经网络学习控制）、神经网络自适应控制 （自校正、模型参考控制，含直接与间接自适应控制）、神经网络内模控制、神经网络预测控制等。 1.神经网络监督控制 神经网络通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输出u1(t)趋近于零。从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。 2.神经网络直接逆控制 下图给出了两种结构方案。在图a)中,NN1和NN2具有完全相同的网络结构（逆模型），并且采用相同的学习算法。上述评价函数也可采用其他更一般的加权形式，这时的结构方案如图b)所示。 3.神经网络参考自适应控制 神经网络控制器的作用是使被控对象与参考模型输出之差为最小。 神经网络直接模型参考自适应控制的结构框图如下图所示。 4.神经网络内模控制 在内模控制中，系统的正向模型与实际系统并联, 两者输出之差被用