安徽理工大学：《智能控制及仿真》课程教学资源（课件讲义）第9章 神经网络控制

第9章神经网络控制 9.1概述 神经网络是一种具有高度非线性的连续时间动力 系统，它有着很强的自学习功能和对非线性系统的强 大映射能力，已广泛应用于复杂对象的控制中。神经 网络所具有的大规模并行性、冗余性、容错性、本质 的非线性及自组织、自学习、自适应能力，给不断面 临挑战的控制理论带来生机

9.1 概述 神经网络是一种具有高度非线性的连续时间动力 系统，它有着很强的自学习功能和对非线性系统的强 大映射能力，已广泛应用于复杂对象的控制中。神经 网络所具有的大规模并行性、冗余性、容错性、本质 的非线性及自组织、自学习、自适应能力，给不断面 临挑战的控制理论带来生机

从控制角度来看，神经网络用于控制的优越性主 要表现为： (1)神经网络可是处理那些难以用模型或规则描述的 对象； (2)神经网络采用并行分布式信息处理方式，具有很 强的容错性； (3)神经网络在本质上是非线性系统，可以实现任意 非线性映射。神经网络在非线性控制系统中具有很大的 发展前途；

从控制角度来看，神经网络用于控制的优越性主 要表现为： （1）神经网络可是处理那些难以用模型或规则描述的 对象； （2）神经网络采用并行分布式信息处理方式，具有很 强的容错性； （3）神经网络在本质上是非线性系统，可以实现任意 非线性映射。神经网络在非线性控制系统中具有很大的 发展前途；

(4)神经网络具有很强的信息综合能力，它能够同时 处理大量不同类型的输入，能够很好地解决输入信息 之间的互补性和冗余性问题； (5)神经网络的硬件实现愈趋方便。大规模集成电路 技术的发展为神经网络的硬件实现提供了技术手段， 为神经网络在控制中的应用开辟了广阔的前景

（4）神经网络具有很强的信息综合能力，它能够同时 处理大量不同类型的输入，能够很好地解决输入信息 之间的互补性和冗余性问题； （5）神经网络的硬件实现愈趋方便。大规模集成电路 技术的发展为神经网络的硬件实现提供了技术手段， 为神经网络在控制中的应用开辟了广阔的前景

神经网络控制所取得的进展为： (1)基于神经网络的系统辨识：可在已知常规模型结构 的情况下，估计模型的参数；或利用神经网络的线性、 非线性特性，建立线性、非线性系统的静态、动态、 逆动态及预测模型； (2)神经网络控制器：神经网络作为控制器，可实现对 不确定系统或未知系统进行有效的控制，使控制系统 达到所要求的动态、静态特性； (3)神经网络与其他算法相结合：神经网络与专家系统、 模糊逻辑、遗传算法等相结合可构成新型控制器；

神经网络控制所取得的进展为： (1) 基于神经网络的系统辨识：可在已知常规模型结构 的情况下，估计模型的参数；或利用神经网络的线性、 非线性特性，建立线性、非线性系统的静态、动态、 逆动态及预测模型； (2) 神经网络控制器：神经网络作为控制器，可实现对 不确定系统或未知系统进行有效的控制，使控制系统 达到所要求的动态、静态特性； (3) 神经网络与其他算法相结合：神经网络与专家系统、 模糊逻辑、遗传算法等相结合可构成新型控制器；

(④)优化计算：在常规控制系统的设计中，常遇到求解 约束优化问题，神经网络为这类问题提供了有效的途 径 (⑤)控制系统的故障诊断：利用神经网络的逼近特性， 可对控制系统的各种故障进行模式识别，从而实现控 制系统的故障诊断

(4) 优化计算：在常规控制系统的设计中，常遇到求解 约束优化问题，神经网络为这类问题提供了有效的途 径； (5) 控制系统的故障诊断：利用神经网络的逼近特性， 可对控制系统的各种故障进行模式识别，从而实现控 制系统的故障诊断

神经网络控制在理论和实践上，以下问题是研究 的重点： ()神经网络的稳定性与收敛性问题； (2)神经网络控制系统的稳定性与收敛性问题； (3)神经网络学习算法的实时性； (4)神经网络控制器和辨识器的模型和结构

神经网络控制在理论和实践上，以下问题是研究 的重点： (1) 神经网络的稳定性与收敛性问题； (2) 神经网络控制系统的稳定性与收敛性问题； (3) 神经网络学习算法的实时性； (4) 神经网络控制器和辨识器的模型和结构

9.2神经网络控制结构 根据神经网络在控制器中的作用不同，神经网络控 制器可分为两类，一类为神经控制，它是以神经网络为 基础而形成的独立智能控制系统；另一类为混合神经网 络控制，它是指利用神经网络学习和优化能力来改善传 统控制的智能控制方法，如自适应神经网络控制等。 综合目前的各种分类方法，可将神经网络控制的结 构归结为以下七类

根据神经网络在控制器中的作用不同，神经网络控 制器可分为两类，一类为神经控制，它是以神经网络为 基础而形成的独立智能控制系统；另一类为混合神经网 络控制，它是指利用神经网络学习和优化能力来改善传 统控制的智能控制方法，如自适应神经网络控制等。 综合目前的各种分类方法，可将神经网络控制的结 构归结为以下七类。 9.2 神经网络控制结构

9.2.1神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐 取代传统控制器的方法，称为神经网络监督控制。神经网络监 督控制的结构如图9-1所示。 神经网络控制器实际上是一个前馈控制器，它建立的是被 控对象的逆模型。神经网络控制器通过对传统控制器的输出进 行学习，在线调整网络的权值，使反馈控制输入趋近于零，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。一旦系统出现干扰，反馈控制器重新起 作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系 统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应 能力

9.2.1 神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐 取代传统控制器的方法，称为神经网络监督控制。神经网络监 督控制的结构如图9-1所示。 神经网络控制器实际上是一个前馈控制器，它建立的是被 控对象的逆模型。神经网络控制器通过对传统控制器的输出进 行学习，在线调整网络的权值，使反馈控制输入趋近于零，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。一旦系统出现干扰，反馈控制器重新起 作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系 统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应 能力

u,( NNc y.() e(t) 控制器 对象 4) u() 图9-1神经网络监督控制

NNC 控制器 对象 + - + + y t d et yt u t n u t p ut 图9-1 神经网络监督控制

9.2.2神经网络直接逆动态控制 神经网络直接逆控制就是将被控对象的神经网络 逆模型直接与被控对象串联起来，以便使期望输出与 对象实际输出之间的传递函数为1。则将此网络作为前 馈控制器后，被控对象的输出为期望输出。 显然，神经网络直接逆控制的可用性在相当程度 上取决于逆模型的准确精度。由于缺乏反馈，简单连 接的直接逆控制缺乏鲁棒性。为此，一般应使其具有 在线学习能力，即作为逆模型的神经网络连接权能够 在线调整