神经网络自适应控制研究综述

神经网络自适应控制研究综述

摘 要：神经网络与自适应控制相结合的研究，已成为智能控制的一个新的分支。自适应具有强鲁棒性，神经网络则具有良好的自学习功能和良好的容错能力，神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。该文综述了近年来神经网络自适应控制的研究现状，阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控制方案，并对神经网络自适应控制的应用作了介绍。在此基础上，对神经网络自适应控制存在的主要问题，如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后，展望了神经网络自适应控制未来的发展趋势，并指出了其研究方向。

关键词：神经网络；自适应控制；神经网络控制器；神经网络辨识；稳定性；鲁棒性；收敛性 中图分类号：TP273 文献标识码：A

1 引言

人工神经网络是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类 模型，具有模拟人的部分形象思维的能力，其特点主要是具有非线性特性、学习能力和自适应性，是模拟人的智能的一条重要途径。

近年来自适应控制等先进控制理论取得了长足发展。然而，在越来越高的性能要求下，在过程与环境高度不确定性的情况下，对于越来越复杂的系统，将自适应控制用于实际控制时还存在一些问题，如自适应控制器结构过于复杂，模型参考自适应控制系统对确定性干扰不能确保零稳态误差等。

为了充分发挥自适应控制技术的优越性能，提高控制的鲁棒性、实时性、容错性以及对控制参数的自适应和学习能力，更有效地实现对一些存在多种不确定性和难以确切描述的非线性复杂过程的控制，人们将自适应控制与神经网络适当组合，组成基于神经网络的自适应控制系统。

方案很多，其中典型的控制方案有神经网络模型参考自适应控制和神经网络自校正控制等。

2.1 神经网络模型参考自适应控制 神经网络模型参考自适应控制(简称NNMRAC)，分为直接型和间接型两种结构，分别如图l和图2所示。其中NNI和NNC分别表示神经网络辨识器和控制器。构造一个参考模型，使其输出为期望输出，则控制的目的是y跟踪ym 。

图1 神经网络模型参考直接自适应控制

2 神经网络自适应控制系统的典型结构

目前已经出现的神经网络自适应控制

图12 神经网络模型参考直接自适应控制

由于反向传播需要知道被控对象的数学模型，因而神经网络的学习与修正已经遇到许多问题。文献[4，5]采用NNMRAC直接结构，基于稳定性理论选择控制律，提高了仿射非线性系统的跟踪精度，并使整个闭环系统渐近稳定。文献[6]应用神经网络间接自适应结构，首先由神经网络辨识器离线辨识被控过程的前馈模型，然后进行在线学习与修正，显然NNI能提供误差或其变化率的反向传播。

2.2 神经网络自校正控制 神经网络白校正控制(简称NNSTC)结构

如图3所示。

图3 神经网络自校正结构

自校正控制是一种利用辨识器将对象

参数进行在线估计，用调节器实现参数的自

动栏定相结合的自适应控错技术，可用于结

构已知而参数未知但恒定的随机系统，或结

构已知而参数慢时变的随机系统。神经网络

自校正控制一般是用神经网络去逼近被控

对象的未知非线性函数，然后研究如何寻找控制器及神经网络权值调整白适应律，使得

在保证稳定性的基础上实现控制目标。

3 人工神经网络在自适应控制系统

中的应用

3.1 基于神经网络的系统辨识

基于神经网络的系统辨识，就是将神经

网络作为被辨识系统P的模型。它已在下^两个方面得到了广泛应用：

1)可在已知常规模型结构的情况下，估计模型参数。

2)利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，重点在于非线性系统的建模与辨识。

3.2 神经网络控制器及与其他算法相结合

神经网络作为实时控制系统的控制器，对于不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。目前这一方面的研究兴趣日益高涨，各种典型的神经网络模型均可作为控制器。如可采用BP网络作为控制器，也可采用RBF网络作为控制器。采用不同的控制器，神经网络控制系统的稳定性和鲁棒性分析也不同。

神经网络还可与专家系统、模糊逻辑、

遗传算法、小波、混沌等相结合用于控制系统，可为系统提供非参数模型、控制器模型。3.3 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的求解提供了有效的途径。因为反馈网络表现出一个系统的动态特性，所以可以利用控制系统的分析方法求解出神经网络系统稳定时的参数。

Hopfield在80年代初提出了一个对反

馈连续网络的稳定性判别的晒数。同 Lyapunov函数一样。此函数具有明确的物理意义，是建立在能量基础上的。利用能量函数的概念，可以设计连续反馈网络进行优化计算．有可能解决优化计算中的“指数爆炸”问题。典型的例子是旅行商问题：一个商人要在n个城市中不重复地各走一遍的最短路径的求解。 3.4 控制系统的故障诊断

随着对控制系统安全性、可靠性、可维护性要求的提高，对系统的故障监测与诊断问题的研究不断深入。神经网络由于具有自

适应、自组织、自学习的优点，使得神经网络在这方面的应用研究取得了相应的进展。

4 主要问题

神经网络用于控制领域的研究还处于初级阶段，目前大部分研究还停留在仿真和实验阶段，缺乏深入的理论分析与证明，控制系统的一些基本问题尚待解决。 4.1 稳定性问题

对一个控制系统来说，稳定性是首要的。然而，神经自适应控制系统的稳定性分析难度极大。这是因为：非线性对象的模型往往是未知的，一般是具有严重非线性和不确定性的复杂系统，而神经网络本身又是一个大规模非线性系统，因而，由它们按一定方式组织起来的神经控制系统具有更为复杂的动力学特性。

80年代后期以来，控制工作者提出了各种基于神经网络的自适应控制方案来解决非线性系统的跟踪控制问题，大多数研究集中在用最优技术(尤其是梯度法)推导参数自适应规律。但是基于梯度法的神经网络控制方案的最大缺点是难以保证闭环系统的稳定性，特别是在线调整控制器参数时，问题尤为突出。为了克服这些难题，90年代初国际上有人提出了关于神经控制系统的稳定性问题，开始研究设计基于Lyapunov稳定性理论的自适应系统。该系统的优点是由Lyapunov法推导出的自适应律，可以保证闭环系统的稳定性。目前，基于Lyapunov法的神经网络自适应律已经被应用于一类简单的非线性系统，即仿射非线性系统之中。另外的假设条件是在自适应神经网络控制算法中，神经网络估计误差的界限是已知的。但是，在很多实际系统中这样的神经网络估计误差的约束是不能得到的。目前基于Lyapunov稳定性的神经自适应控制研究的方案，基本上是针对一类仿射非线性时不变系统。

从以上介绍可以看出，目前已有的神经网络自适应控制研究存在的主要问题是：①研究的对象多局限于仿射非线性系统，而工程上遇到的非线性系统大多是非仿射的；②

研究稳定性的方法一般是先构造一个自适

应律，然后再构造一个lyapunov函数来证明白适应控制系统是稳定的。在如何选择合适的lyapunov函数上，现有研究大多是建立在直觉及经验的基础上，针对具体的对象进行反复分析而得出的，然而这样的试凑方法在实际工程分析中是很难应用的。 4．2 鲁棒性问题

当被控过程存在未建模动态特性，或者过程噪声及扰动远比所设想的情况复杂时，自适应控制系统会失去其稳定性质(称为“缺乏鲁棒性”)。因此在自适应控制系统的设计中，根据鲁棒性要求所设计的系统比单纯按收敛性和稳定性指标所设计的系统具有更好的控制效果。目前，对于非线性控制系统的鲁棒性已有许多研究结果，一般是针对一类仿射非线性系统进行的，对于系统的条件限制较严，研究中多采用基于梯度法的自适应律；为解决系统的全局稳定性及跟踪问题，通常要设定十分复杂的控制律。目前的研究结果还很难应用于工程实际中去，而针对神经网络自适应控制系统研究鲁棒性的文献较少见到。文献[6]中提出了一种神经网络动态补偿的模型跟随非线性鲁棒自适应控制策略，且有的文献中提出了一种间接鲁棒自适应神经网络控制算法，这些策略在一定程度上提高了系统的鲁棒性。 4.3 收敛性问题

算法的收敛性问题是一个十分重要的问题。对神经自适应控制系统来说，存在神经网络学习算法的收敛和自适应算法的收敛两类问题。有时这两类问题是混在一起的。对自适应控制来说，如果一种自适应算法被证明是收敛的，那该算法就有实际的应用价值。目前，对非线性系统自适应控制算法的收敛性研究结果较少，很不系统，与应用要求还有较大差距。对于收敛性，有两个问题需要考虑，一是一次学习过程中系统响应是否随时问增加而趋于期望值；二是多次学习过程中，系统响应是否随训练次数增加而趋于期望值。

4.4 神经网络的新模型及其学习算法

近年来，许多学者把神经网络与自适应、小波、混沌、模糊集以及遗传算法等结合起来，进行了研究。小波神经网络可看作是以小波函数为基底的一种函数连接网络，也可以认为是径向基函数网络的推广，但又具有与一般前馈网络和RBF网络所不同的特点，在神经网络研究领域中具有巨大潜力。目前神经网络的研究正逐步由单纯的神经计算转向计算智能并结合脑科学的研究，向生物智能方向发展，神经网络的研究也应该考虑与其它智能的结合，如神经网络与模糊逻辑的结合，神经网络与遗传算法和进化计算的结合研究等，如何利用遗传算法优化神经网络的模型结构，是今后的一个研究热点。

另外，在逼近非线性函数问题上，现有理论只解决了存在性问题；对于控制器及辨识器，如何选择合适的神经网络模型及确定模型的结构，尚无理论指导。在具体应用时，学习样本的选取、初值的设定及多信息的融合等也是必须考虑的问题，并且，它们往往与所要解决的实际问题相关，使其解决有了一定的难度。

5 结论

综上所述，神经网络自适应控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。一方面，由于神经网络在自适应控制中的巨大作用和潜能，人们迫切需要开发实用的神经控制系统以满足工程实际的需要；另一方面，神经自适应控制系统的基本理论研究严重滞后，一些重要理论问题，如稳定性判据、基于稳定性及鲁棒性的工程设计方法等，几乎还未开展研究。这种现象的存在，将严重制约神经网络在控制领域的进一步应用和开展。因此，开展对神经自适应控制系统的稳定性、鲁棒性研究，不仅具有十分重要的理论意义，而且对促进我国自动化技术的发展、提高人工智能领域的研究水平，亦具有十分重要的意义。

参考文献

[1]王文军,宋苏,郭贤娴.基于神经网络的自适 应控制研究综述[J].计算机仿真,2005,22(8): 132-135.

[5]张秀玲.神经网络自适应控制的研究进展及 展望[J].工业仪表与自动化装置,2002(1): 10-14.

[3]徐丽娜．神经网络控制[M]．北京：电子工业出版社，2003．119—121．

[4]冯国腩，张力．一种神经元控制模型参考自适应伺服系统[J]．控制与决策，1997，12(4)：312—316．

[5]徐普水，施颂椒，袁向阳．基于神经网络的一类非线性系统稳定自适应控制及其设计方法[J]．控制理论与应用，1999，16(5)：751—753． [6]胡寿松，周川．基于神经网络的模型跟随鲁棒控制[J]．自动化学报，2000，26(5)：624—629．