第一章绪论1.1引言人工神经网络(ArtificialNeuralNetworksANN)，也称为神经网络(NeuralNetworks}NN)，是由大量处理单元(神经元，Neurons)互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络的研究是从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根植于神经科学、数学、统计学、物理学、计算机科学及工程等学科的一种技术。为了模拟人脑信息处理的机能，人工神经网络显示出人脑所具有的某些基本特征，可归纳为}1}.(1)信息可分布存储，且容量大，容错性较好;(2)可大规模并行处理收集到的网络信息;(3)自学习，自组织，自适应性强;(#)神经网络的行为是大量神经元的集体行为，并不是各单元行为的简单相加，而是表现出一般复杂非线性动态系统的特征;(5)神经元可以处理一些环境信息十分复杂，知识背景不清楚和推理规则不明确的问题。以上模拟人脑的诸多特性，使得神经网络备受瞩目，成为了近年来的热点研究领域，涉及到电子科学与技术、信息与通信工程、计算机科学与技术、电气工程、控制科学与技术等诸多学科。神经网络在时间序列预测、系统建模、辨识与控制中的应用，大致以1985年Rumelhart的突破性研究为界。在极短的时间内，神经网络就以其独特的非传统表达方式和固有的学习能力，引起了控制界的普遍重视，并取得了一系列的重要成果。迄今已经覆盖了控制理论中的绝大多数问题，如系统建模与辨识、PID参数的整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤波与预测、容错控制、模糊控制、专家控制和学习控制等。它甚至还应用于控制有关的其他问题，如A/D或D/A转换、矩阵求逆、Jacobian矩阵计算、QR分解、Lyapunov方程和Riccati方程求解等f2l0神经网络应用于控制领域的主要优势在于:(1)多层前馈神经网络能够以任意精度逼近任意非线性映射，给复杂系统的建模带来了一种新的、非传统的表达工具;(2)固有的学习能力降低了不确定性，增加了适应环境变化的泛化能力;(3)并行计算特点，使其有潜力快速实现大量复杂的控制算法(目前还有待于神经网络芯片技术的进步);(4)分布式信息存储与处理结构，从而具有独特的容错性;(5)能够同时融合定量与定性数据，使其能够利用连接主义的结构，与传统控制方法及符号主义的人工智能相结合;(6)多输入多输出的结构模型可方便地应用于多变量控制系统。神经网络应用到控制领域的基本思想就是从仿生学角度来模拟人的神经网络的运作方式，从而使得机器具有人脑那样的感知、学习和推理能力。它将控制系统看成是由输入到输出的一个映射，利用神经网络的学习能力和适应能力实现系统的映射特性，从而完成对系统的建模和控制。它使模型和控制的概念更加一般化。理论上讲，基于神经网络的控制系统具有一定的学习能力，能够更好地适应环境和系统特性的变化，非常适合于复杂系统的建模和控制。特别是当系统存在不确定性因素时，更体现了神经网络方法的优越性。非线性控制系统早期的研究是针对一些特殊的、基本的系统而言的，其代表性的理论有:相平面法、描述函数法、绝对稳定性理论、Lyapunov稳定性理论、输入输出稳定性理论等。自20世纪80年代以来，非线性科学越来越受到人们重视，数学中的非线性分析、非线性泛函、物理学中的非线性动力学，发展都很迅速。与此同时，非线性系统理论也得到了蓬勃发展，有更多的控制理论专家转入到非线性系统的研究[(3]，这些研究中，对非线性系统进行控制的常规方法是在操作点附近对系统进行线性化，然后使用线性控制方法设计控制器，但当系统状态不在线性范围内时，控制器的性能会大大下降。另一方面，非线性控制方法虽然能够改进系统的瞬态性能，但其本身的结构和实现要比线性控制器复杂得多，反馈线性化方法虽然能够抵消系统的非线性部分，但需要知道系统的精确参数，这在实际中难以保证。基于训练学习的神经网络控制方法，利用神经网络的非线性逼近能力，在常规解析方法之外提供了另一种选择，成为近年来对非线性系统进行建模和控制的热门方法之一[4]0内模控制(InternalModelControl,IMC)是一种基于过程数学模型进行控制器设计的新型控制策略。由于其结构清晰、设计简单、控制性能好、鲁棒性强和在系统分析方面的优越性，因而内模控制不仅是一种实用的先进控制算法，而且是研究预测控制等基于模型的控制策略的重要理论基础，以及提高常规控制系统设计水平的有力工具[s]0自20世纪中叶起，许多研究者己开始采用类似内模控制的概念来设计最优反馈控制器，如Smith的时滞预估补偿控制器，Francis,Woham等人的基于内部模型的调节器设计方法。在基于对过程动态模型求逆来设计调节器时，我们虽然能获得理想的调节性能，但是，这种逆模型受过程内在特性的限制一般不容易
参考文献
高隽.人_「神经网络原理及仿真实例〔M].北京:机械工业出版社，2007.1-40.
张吉礼.模糊一神经网络控制原理与一h程应用[M].哈尔滨:哈尔滨一工业大学出版社，2004. 61-77.
钟守铭，刘碧森，王晓梅，范小明.神经网络稳定性理论〔M].北京:科学出版社，2008.卜60
陈宗海，文峰，王智灵.基于自适应评价的非线性系统神经网络控制[[J1.控制与决策.2007, 22(7): 765-773.
熊莹.利用RBF神经网络实现聚合反应的内模控制[D].北京:北京化一工大学，2004.
王树青.先进控制技术及应用[M].北京:化学工业出版社，2001. I-50.
马平，王瑞，杜海莲等.神经网络内模控制及其在大迟延系统中的应用[J].华北电力
大学学报，2005, 32(5): 35-38.
孙志成.基于模糊理论的控制器参数整定研究[[D].北京:北京化一〔大学，2008.
江善和，潘康生，余春日.模糊竞争神经网络在线辨识及在CSTR中的应用[[J].计算
机仿真.2005, 22(4):190-193.
方来华，曹作良，李军.先进过程控制(APC)技术介绍与比较[[J].天津理一〔学院学报.2002, 18(3): 26-30.
许兴华.基于混合神经网络的非线性动态系统建模[[D].北京:北京化一f=大学，2006.
丛爽.典型人工神经网络的结构、功能及其在智能系统中的应用[[J].信息与控制，
2001, 30(2): 97-103.
Hirasawa K, Kim S, Hu J L, et al. Improvement of generalization ability for identi尔ng
dynamical systems by using universal learning networks[J]. Neural Networks, 2001,14(10): 1389-1404. Hirasawa K, Mabu S, Hu J L. Propagation and control of stochastic signals through
universal learning networks[J]. Neural Networks. 2006, 19(4): 487-499.
Han M, Han B, Xi J H, et al. Universal learning network and its application for nonlinear system with long time delay[J]. Computers&Chemical Engineering, 2006, 31(1): 13-20.
Han M, Han B, Guo W Process control of pH neutralization based on adaptive algorithm of universal learning network[J]. Journal of Process Control. 2006, 16(1): 1-7.
Xiong Q Y, Hirasawa K, Hu J L, et al. A functions localized neural network with branch gates. Neural Networks, 2003 16(10): 1461一1481.
Li D Z, Liu X. Universal learning network and its application in modeling chemical reactor[J]. Computers and Applied Chemistry, 2008, 25(6): 645-648.
熊莹，曹柳林.利用RBF神经网络实现聚合反应的内模控制[[J].北京化工大学学报:
自然科学版，2003, 30(6): 91-94.
韩敏，贾小}J，席剑辉等.基于通用学习网络的控制器设计[[Jj.仪器仪表学报，2005,26(3): 249-257.
刘霞.一般化学习网络在非线性系统辨识及预测控制中的应用研究[D].北京:北京
化工大学，2008.
刘展.分数阶微积分系统控制方案设计及参数整定田].北京:北京化工大学，2007.
陈瑛，罗鹏飞，基于神经网络的混沌时间序列建模及预测IJ].计算机工程与应用.
2005, 11: 77-79.http://www.51lunwen.org/kzgc/
谭文，王耀南.混沌系统的模糊神经网络控制理论与方法〔M].北京:科学出版社，
摘要 4-6
ABSTRACT 6-7
第一章 绪论 15-21
1.1
