神經控制器

自McCulloch和Pitts於1943年提出“似腦機器”(Mind-like Machine)和神經學網絡(Neurological Network)概念以來，人工神經網絡(Artificial Neural Network，ANN)或簡寫為NN的研究走過一條波浪式推進的發展道路。由於ANN具有非線性映射、自學習、自適應與自組織、函數逼近和大規模並行分佈處理等能力，因而具有用於智能控制系統的潛力。已經作出許多努力，把神經網絡用於控制系統，處理控制系統的非線性和不確定性以及逼近控制系統的辨別函數等。

進入90年代以來，已對神經控制的結構研究進行了總結。迄今為止，已經提出十多種神經控制器的結構方案。由於分類方法的不同，神經控制器的結構也很自然地有所不同。 ^[2] 

神經控制器與古典控制器和現代控制器相比，有優點也有缺點。

優點是神經控制器的設計與被控制對象的數學模型無關，這是神經控制器的最大優點，也是神經網絡能夠在自動控制中立足的根本原因。

缺點是神經網絡需要在線或離線開展學習訓練，並利用訓練結果進行系統設計。這種訓練在很大程度上依賴訓練樣本的準確性，而訓練樣本的選取依舊帶有人為的因素。 ^[3] 

神經控制器的設計大致可以分為兩種類型，一類是與傳統設計手法相結合；一類是完全脱離傳統手法，另行一套。無論是哪一類，都未有固定的模式，很多問題都還在探討之中。究其原因是因為神經控制還是一門新學科，在社會上並不普及，為數眾多的人甚至連“神經控制”都還沒有聽説過，神經系統的研究還處於摸索探討階段，神經網絡雖然有了一些所謂的“理論”，但並不成熟，甚至連隱層節點的作用機理這一類簡單的理論問題都沒有搞清楚。而智能控制的“年齡”比神經網絡還要年輕，現階段的智能控制就沒有理論。因此，神經控制器沒有理論體系，更談不上完善的理論體系，相應也就不存在系統化的設計方法。

簡單綜合起來，神經控制器的設計方法大體有如下幾種：模型參考自適應方法、自校正方法、內模方法、常規控制方法、神經網絡智能方法和神經網絡優化設計方法。 ^[3] 

較為流行的神經控制器設計過程是：設計人員根據自己的經驗選用神經網絡、選擇訓練方法，確定是否需要供訓練使用的導師信號，設計算法並編制程序，然後上機運行，得到仿真結果，根據結果決定是否需要進一步修改相關參數或修改網絡體系。

從仿真到實際運行，還有很長一段路要走，需要解決的主要問題是仿真僅僅只是神經網絡模型訓練運行的結果，實際運行需要帶動被控制對象，其工作環境遠比實驗室仿真環境惡劣且複雜得多。

由於神經控制器的設計與設計人員的素質、理解能力和經驗有關，因此設計出來的產品都可以成為設計者的成果，這也是從事神經控制較容易出成果的原因之一。隨着時間的推移，對設計結果的評價體系終會誕生，優劣將更加清晰。 ^[3]