智能控制是一種控制技術,針對控制對象及其環境、控制目標和任務的不確定性和複雜性而提出。智能控制可以自動測量被控對象的被控制量,並求出與期望值的偏差,同時採集輸入環境的信息,進而根據所採集的輸入信息和已有知識進行推理,得到對被控對象的輸出控制,同時使偏差儘可能減小或消除。一般使用如下人工智能控制方法如類神經網路模糊邏輯機器學習進化計算遺傳算法

簡介

編輯

智能控制可以分為以下幾個次領域:

也持續有研究者開發新的智能控制,也有支持這些技術的計算方式。

傳統控制方法研究的主要目標是被控對象,而智能控制研究的主要目標是控制器本身。智能控制的研究重點不在控制對象的數學模型分析,而在於智能控制器模型的建立,包括知識的獲取、表示和存儲,智能推理方式的設計等。其控制對象和控制性能也與傳統控制有很大不同,其特點如下:

  1. 無需建立被控對象的數學模型,特別適合非線性對象、時變對象和複雜不確定的控制對象。
  2. 可以具有分層遞階的控制組織結構,便於處理大量的信息和儲存的知識,並進行推理。
  3. 控制效果具有自適應能力,魯棒性好。
  4. 可以具有學習能力,控制能力可以不斷增強。

專家系統

編輯

專家系統是一種能在某個領域內,以人類專家的知識和經驗來解決該領域中高水平的困難任務的計算機系統。其主題是一個基於知識的計算機程序系統。 專家控制的基本構成如下:

  • 觀察、監測系統中的有關變量和狀態;
  • 綜合運用自己的知識和經驗判斷當前系統運行的狀態;
  • 分析比較各種可以採用的控制策略並選擇其中最優者予以執行,用計算機與以實現。

模糊控制

編輯

模糊控制的基本思想是用語言歸納操作人員的控制策略(知識、經驗和直覺等),運用語言變量和模糊集合理論形成控制算法。不需要建立控制對象精確的數學模型,只要求把現場操作人員的經驗和數據總結成比較完善的語言控制規則,因此她能繞過對象的不確定性、不精確性、噪音以及非線性、時變性、時滯等影響。

神經網路

編輯

類神經網路(Artificial Neural Networks)是一種應用類似於大腦神經突觸聯接的結構進行信息處理的數學模型。在工程與學術界也常直接簡稱為「神經網路」或類神經網路。

神經網路控制可以分為二個步驟:

可以證明前饋控制網路配合非線性、連續且可微的激活函數可以有通用逼近英語universal approximation theorem的能力。循環神經網絡也已用在系統識別中。假設一組輸入-輸出資料對,系統識別可以在資料對中形成映射,這些網路的目的是要找到系統的動態特性。

貝葉斯控制器

編輯

已有一些進階控制系統中用的演算法有用到貝葉斯概率,用在狀態空間中一些變數的估測器,而控制器也會使用這些變數的估測值。

卡爾曼濾波粒子濾波器是二種常用的貝葉斯控制元素。若用貝葉斯概率來設計控制器,常需要在推導系統模型及量測模型上花許多的心力,這些是狀態變數和控制系統中可用感測器資訊之間的關係。在此觀點下,和系統科學及控制器設計工程有密切的關係。

相關條目

編輯

參考資料

編輯

外部閱讀

編輯
  • Jeffrey T. Spooner, Manfredi Maggiore, Raul Ord onez, and Kevin M. Passino, Stable Adaptive Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Techniques, John Wiley & Sons, NY ;
  • Jay Farrell, Marios Polycarpou, Adaptive Approximation Based Control:Unifying Neural, Fuzzy and Traditional Adaptive Approximation Approaches, John Wiley & Sons, NJ
  • Schramm, G. Intelligent Flight Control - A Fuzzy Logic Approach. TU Delft Press. 1998. ISBN 90-9011924-8.