智能控制综述(2)

1)具有领域专家级的专业知识，能进行符号处理和启发式推理。

2)具有获取知识能力，具有灵活性、透明性和交互性。

4.2模糊控制(FC-Fuzzy Control)

模糊控制是以模糊集合论、模糊逻辑推理和模糊语言变量为基础的一种计算机数字控制。对于无法建立数学模型或难以建立数学模型的场合，可以用模糊控制技术来解决。模糊控制就是在被控对象模糊模型的基础上，利用模糊控制器，采用推理的手段进行系统控制的一种方法。模糊模型是用模糊语言和规则描述的一个系统的动态特性及性能指标。模糊控制器由模糊化、规则库、模糊推理和清晰化四个功能模块组成。模糊化模块实现对系统变量论域的模糊划分和对清晰输入值的模糊化处理。规则库用于存储系统的基于语言变量的控制规则和系统参数。模糊推理是一种从输入空间到输出空间的非线性映射关系，控制规则形式为If{控制输入A}then{控制输出B}，即如果已知控制输入A，则通过模糊推理得出控制输出B。清晰化模块将推出的模糊推理推出的控制输出转化为清晰的输出值。模糊控制的特点为：

1)提供了一种实现基于自然语言描述规则的控制规律的新机制。

2)提供了一种非线性控制器，这种控制器一般用于控制含有不确定性和难以用传统非线性理论处理的场合。

4.3 神经网络控制(NNC-Neural Networks Control)

神经网络控制是在控制系统中采用神经网络这一工具，对难以通过常规方法进行描述的复杂非线性对象进行建模，或充当控制器，或信息处理，或模式识别，或故障诊断等，或以上几种功能的组合，这种神经网络控制系统的控制方式即为神经网络控制。神经网络控制采用仿生学的观点对智能系统中的高级信息处理问题进行研究，神经网络控制的特点为：

1)能充分逼近任意非线性特性。

2)分布式并行处理机制。

3)自学习和自适应能力。

4)数据融合能力。

5)适合于多变量系统，可进行多变量处理。

4.4 遗传算法(GA-Genetic Algorithm)

遗传算法是一种基于生物进化模拟的启发式智能算法，它的基本策略是：将待优化函数的自变量编码成类似基因的离散数值码，然后通过类似基因进化的交叉、变异、繁殖等操作获得待优化函数的最优或近似最优解。在智能控制中，遗传算法广泛应用于各类优化问题，遗传算法可以用于复杂的非线性系统的辨识，多变量系统控制规则的优化，智能控制参数的优化等常规控制方法难以奏效的问题。遗传算法具有可扩展性，可以同专家系统、模糊控制和神经网络结合，为智能控制的研究注入新的活力。如可用遗传算法对模糊控制的控制规则和隶属度函数进行优化，对神经网络的权值进行优化等。遗传算法的特点为：

1)以决策变量的编码作为运算对象。

2)直接以目标函数值作为搜索信息。

3)同时进行解空间的多点搜索。

4)使用自适应的概率搜索技术。

5．结束语

智能控制已广泛应用于工业、农业、军事等众多领域，已经解决了大量的传统控制无法解决的实际控制应用问题，呈现出强大的生命力和发展前景。它将随着专家系统、模糊控制、神经网络等控制技术的发展而不断发展。

参考文献：

[1]师黎，陈铁军，李晓媛等，智能控制理论及应用[M].北京：清华大学出版社．2009.

[2]黄志高，徐成金，谭斌．智能控制理论综述[J]．土木机床，2004 (3):30-32．

[3]宋胜利．智能控制技术概论[M]．北京：国防工业出版社，2008．

[4]王永骥，涂健，神经元网络控制[M]．北京：机械工业出版社，1998．

[5] Rubaai A,Kotaru R,Kankam M D.A continually online - trained neural network controller for brushless DC motor drives [J].lndustry Applications,IEEE Transactions ,2000 ,36(2)：475 - 483.

[6]张国忠．智能控制系统及应用[M]．北京：中国电力出版社，2007．

百度搜索“70edu”或“70教育网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，70教育网，提供经典工学类智能控制综述(2)在线全文阅读。