3.模糊集和模糊控制的概念，不僅可以用在基層控制級(jí)，也可用在先進(jìn)和優(yōu)化控制以及調(diào)度、計(jì)劃和決策等層次。美國(guó)的Saridis教授曾指出，在遞階控制的結(jié)構(gòu)上，越往上的層次越需要智能。

模糊理論作為一種新的思想，從它的誕生到地位的確定，走過(guò)了不平常的歷程。模糊控制的工程應(yīng)用取得了令人矚目的成果和效益。在現(xiàn)階段，模糊控制器向著自適應(yīng)、自組織、自學(xué)習(xí)方向發(fā)展，使得模糊控制參數(shù)或/和規(guī)則在控制過(guò)程中自動(dòng)地調(diào)整、修改和完善，從而系統(tǒng)的控制性能不斷完善，達(dá)到最佳的控制效果?；谏窠?jīng)網(wǎng)絡(luò)和遺傳算法設(shè)計(jì)的模糊控制器具有強(qiáng)大的功能和重要的應(yīng)用價(jià)值。

在模糊理論向著系統(tǒng)化、實(shí)用化方向發(fā)展的同時(shí)，模糊邏輯的應(yīng)用技術(shù)也在迅速發(fā)展，它們代表著人工智能的主要研究方向。

近年對(duì)于經(jīng)典模糊控制系統(tǒng)穩(wěn)定性能的改善，模糊集成控制、模糊自適應(yīng)控制、專家模糊控制與多變量模糊控制的研究，特別是針對(duì)復(fù)雜系統(tǒng)的自學(xué)習(xí)與參數(shù)（或規(guī)則）自調(diào)整模糊系統(tǒng)方法的研究。

模糊控制已作為智能控制一重要分支。

（三）神經(jīng)網(wǎng)絡(luò)控制

人腦極其復(fù)雜，是由1000多億個(gè)神經(jīng)元構(gòu)成的網(wǎng)絡(luò)狀結(jié)構(gòu)。人們一開始進(jìn)行神經(jīng)網(wǎng)絡(luò)控制，是想通過(guò)微電子技術(shù)來(lái)模擬人腦。盡管已有多年歷史，但人腦仿真依然是一個(gè)難題。然而，從研究神經(jīng)元所得到的一些特性，導(dǎo)致了人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)的誕生，至今已有幾十種類型。神經(jīng)網(wǎng)絡(luò)在工程上的應(yīng)用，似乎已與人腦的設(shè)想逐漸遠(yuǎn)離，而是作為強(qiáng)有力的非線性函數(shù)轉(zhuǎn)換器來(lái)看待。

1.神經(jīng)網(wǎng)絡(luò)種類

若干個(gè)神經(jīng)元連接起來(lái)，構(gòu)成網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)具有自組織性、層次性和并行處理能力。在對(duì)其功能和特性抽象的基礎(chǔ)上，開發(fā)了各種人工神經(jīng)網(wǎng)絡(luò)。

(1)最常用一種人工神經(jīng)網(wǎng)絡(luò)稱為反向傳播(BeckPropagation，BP)網(wǎng)絡(luò)。在結(jié)構(gòu)上，從信號(hào)的傳輸方向看，它是一種多層前向網(wǎng)絡(luò)，最陡下降法是最簡(jiǎn)單的一種梯度尋優(yōu)法，即依據(jù)梯度aE/aW的負(fù)方向改變W值。在整個(gè)學(xué)習(xí)過(guò)程中，先是通過(guò)網(wǎng)絡(luò)由輸人求取輸出，信號(hào)是前向傳遞，然后是依據(jù)輸出的偏差調(diào)整網(wǎng)絡(luò)參數(shù)，信號(hào)是反向傳遞，按照學(xué)習(xí)時(shí)的信號(hào)傳送方：向稱之為BP網(wǎng)絡(luò)。最陡下降法并不是一種很有效的尋優(yōu)方法，為了使偏差能更快地收斂到接近于零的程度，在學(xué)習(xí)算法上已有了多種改進(jìn)的研究。但是，BP網(wǎng)絡(luò)的學(xué)習(xí)中還需要很多的迭代次數(shù)，一般需要數(shù)千至數(shù)萬(wàn)次，而且可能收斂到局部最小點(diǎn)。學(xué)習(xí)費(fèi)事是BP網(wǎng)絡(luò)一個(gè)很大的缺點(diǎn)。

(2)另一種在自動(dòng)化中很有價(jià)值的ANN是徑向基函數(shù)，RedicalBasisFunction，RBF)網(wǎng)絡(luò)，它在結(jié)構(gòu)上很像BP網(wǎng)絡(luò)，也是靜態(tài)網(wǎng)絡(luò)，但是它只有相當(dāng)于隱層的一層，而且節(jié)點(diǎn)的激發(fā)函數(shù)是徑向基函數(shù)Ψ‖Ⅰ-Ⅰi‖，其中Ⅰ為輸入，Ⅰi為該徑向基函數(shù)的中心。在各種徑向基函數(shù)中，以高斯函數(shù)使用最廣。

RBF網(wǎng)絡(luò)也有很好的非線性函數(shù)逼近能力。它的另一個(gè)優(yōu)點(diǎn)是學(xué)習(xí)比較簡(jiǎn)捷。

正由于這一原因，RBF網(wǎng)絡(luò)被稱為局部模型，而BP網(wǎng)絡(luò)則為全局模型。RBF網(wǎng)絡(luò)的泛化性(即數(shù)據(jù)內(nèi)插和外推的正確性)要比BP網(wǎng)絡(luò)差。

其他常用的ANN有：

(1)Hopfield網(wǎng)絡(luò)它是一種具有RC環(huán)節(jié)的反饋網(wǎng)絡(luò)，構(gòu)成非線性動(dòng)態(tài)系統(tǒng)，主要用于聯(lián)想記憶和二次型優(yōu)化。

(2)動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò) 它利用網(wǎng)絡(luò)的內(nèi)部狀態(tài)反饋來(lái)描述系統(tǒng)的非線性動(dòng)態(tài)行為，像Elaman網(wǎng)絡(luò)具有隱層輸出端至該層輸入端的反饋，Jordan網(wǎng)絡(luò)具有輸出層至隱層的反饋。

(3)模糊神經(jīng)網(wǎng)絡(luò)(FNN) 它是模糊集合與神經(jīng)網(wǎng)絡(luò)的一種結(jié)合，常用于建模。

2.人工神經(jīng)網(wǎng)絡(luò)在自動(dòng)化中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)由于它有很強(qiáng)的非線性函數(shù)逼近能力，并具有并行處理工作方式等特點(diǎn)，已在很多應(yīng)用領(lǐng)域受到了關(guān)注，在自動(dòng)化中的應(yīng)用主要有下列諸方面。

(1)過(guò)程建模及軟測(cè)量 許多復(fù)雜的建模問(wèn)題都可以轉(zhuǎn)化為以下非線性最優(yōu)擬合問(wèn)題。

神經(jīng)網(wǎng)絡(luò)作為一種新型的非線性系統(tǒng)描述方法，它以簡(jiǎn)單非線性函數(shù)為基礎(chǔ)構(gòu)造復(fù)雜的函數(shù)，具有模型結(jié)構(gòu)簡(jiǎn)單、自學(xué)習(xí)功能強(qiáng)等特點(diǎn)。

應(yīng)用數(shù)學(xué)模型來(lái)間接測(cè)量一些成分和物性變量，為解決許多測(cè)量難題提供了可能性，近年來(lái)很受注意。除了采用非線性回歸模型外，采用神經(jīng)網(wǎng)絡(luò)作為軟測(cè)量模型有不少優(yōu)點(diǎn)，同樣或類似的網(wǎng)絡(luò)結(jié)構(gòu)，可用來(lái)描述變量完全不同、函數(shù)關(guān)系迥異的特性?，F(xiàn)在對(duì)煉油過(guò)程中油品干點(diǎn)和傾點(diǎn)等的軟測(cè)量，使用RBF網(wǎng)絡(luò)能得到較滿意的結(jié)果。

（2）故障監(jiān)測(cè)和診斷人工神經(jīng)網(wǎng)絡(luò)可被用作故障監(jiān)測(cè)和診斷的工具。不同的故障情況，會(huì)產(chǎn)生不同的現(xiàn)象?，F(xiàn)將反映現(xiàn)象的工況變量作為網(wǎng)絡(luò)輸入，并通過(guò)網(wǎng)絡(luò)的訓(xùn)練，使網(wǎng)絡(luò)的各個(gè)輸出節(jié)點(diǎn)反映某種故障存在與否，例如各節(jié)點(diǎn)的輸出都接近于零，表示不存在故障，第i個(gè)節(jié)點(diǎn)的輸出接近于1，表示存在故障i。采用足夠數(shù)量的若干組因果關(guān)系數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，網(wǎng)絡(luò)將有很好的故障診斷功能。

(3)用于控制

①逆動(dòng)態(tài)控制 設(shè)對(duì)象的特性可用G(*)來(lái)描述，G(*)表示控制作用u對(duì)輸出y的信號(hào)傳遞關(guān)系，如y(s)=G(s)u(s).若動(dòng)態(tài)關(guān)系可逆，即G-1(*)存在，則只要設(shè)計(jì)和訓(xùn)練出特性為G-1(*)的神經(jīng)網(wǎng)絡(luò)(NN)控制器，將它與對(duì)象相連，如圖3的簡(jiǎn)化框圖所示，這樣的開環(huán)系統(tǒng)可以實(shí)現(xiàn)y-r。

圖示的系統(tǒng)沒(méi)有畫出反饋，為了消除余差，可以并聯(lián)一個(gè)具有積分作用的輸出反饋控制器，或者采用其他稍為復(fù)雜的系統(tǒng)結(jié)構(gòu)。

②基于模型的控制 像內(nèi)?？刂?、模型參考自適應(yīng)控制和預(yù)測(cè)控制等都是基于模型的控制。它們?cè)谔幚砭€性系統(tǒng)時(shí)，獲得了滿意的效果，但遇到非線性過(guò)程，設(shè)計(jì)比較困難。利用神經(jīng)網(wǎng)絡(luò)和非線性函數(shù)逼近能力，用來(lái)作為模型，可以解決問(wèn)題。

③用神經(jīng)網(wǎng)絡(luò)作為在線估計(jì)器的控制 神經(jīng)網(wǎng)絡(luò)也可用作包括非線性函數(shù)關(guān)系在內(nèi)的在線估計(jì)器。

④用于優(yōu)化 利用Hopfield網(wǎng)絡(luò)在穩(wěn)態(tài)時(shí)其能量函數(shù)達(dá)極小值的性質(zhì)，可以求解約束優(yōu)化問(wèn)題。

神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)功能，將神經(jīng)網(wǎng)絡(luò)與人工智能、模糊邏輯相結(jié)合，其具體實(shí)現(xiàn)包括神經(jīng)網(wǎng)絡(luò)專家控制系統(tǒng)，神經(jīng)網(wǎng)絡(luò)模糊控制及各種含有神經(jīng)網(wǎng)絡(luò)的智能控制系統(tǒng)。