Matlab中的NN工具箱课件.ppt

1、第二章Matlab中的NN工具箱CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU2感知器的函数应用感知器的函数应用v绘制样本点函数绘制样本点函数 plotpvplotpv 可以在坐标图中绘出已知给定的样本点与可以在坐标图中绘出已知给定的样本点与类别，调用格式类别，调用格式 plotpv(X,Tplotpv(X,T) X ) X 、T T分别为输入输出向量分别为输入输出向量 如：如： X=0 0 1 1;0 1 0 1;T=0 1 1 1;X=0 0 1 1;0 1 0 1;T=0

2、1 1 1; plotpv(X,T plotpv(X,T); ); CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU3感知器的函数应用感知器的函数应用CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU4感知器的函数应用感知器的函数应用v画出感知器分类线函数画出感知器分类线函数 plotpcplotpc 在输入空间中用一个平面或者直线画出分在输入空间中用一个平面或者直线画出

3、分类的样本区域，调用格式类的样本区域，调用格式 plotpc(w,bplotpc(w,b) )v 初始化函数初始化函数 initpinitp 可建立一个单层的感知器模型，调用格式可建立一个单层的感知器模型，调用格式 W,b=initp(R,SW,b=initp(R,S) R) R为输入个数，为输入个数，S S为输出个数为输出个数 W,b=initp(X,TW,b=initp(X,T) X ) X 、T T分别为输入输出向量分别为输入输出向量 如：如： X=0 0 1 1;0 1 0 1;T=0 1 1 1;X=0 0 1 1;0 1 0 1;T=0 1 1 1; W,b=initp(X,T W

4、,b=initp(X,T); ); plotpv(X,T);plotpc(W,b plotpv(X,T);plotpc(W,b); );v CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU5感知器的函数应用感知器的函数应用v 感知器训练函数感知器训练函数 trainptrainp 训练感知器模型，调用格式训练感知器模型，调用格式 W,B,epochs,errors= trainp(w,b,X,T,tpW,B,epochs,errors= trainp(w,b,X,T,tp) ) w

5、 w为权值，为权值，b b为网络的阈值，为网络的阈值， X X为初始输入向量，为初始输入向量，T T为目标向量为目标向量tptpdisp_freq,max_epochdisp_freq,max_epoch 为训练控制参数，为训练控制参数，WW与与B B为训练为训练后权值与阈值后权值与阈值 如：如： X=0 0 1 1;0 1 0 1;T=0 1 1 1;X=0 0 1 1;0 1 0 1;T=0 1 1 1; W,b=initp(X,T);tp W,b=initp(X,T);tp=1 20;=1 20; W,b,epochs,errors= trainp(W,b,X,T,tp W,b,epoc

6、hs,errors= trainp(W,b,X,T,tp) ) plotpv(X,T);plotpc(W,b plotpv(X,T);plotpc(W,b); ); CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU6感知器的函数应用感知器的函数应用v 感知器仿真函数感知器仿真函数 simupsimup 训练感知器模型，调用格式训练感知器模型，调用格式 Y= simup(X,w,bY= simup(X,w,b); ); w w为权值，为权值，b b为网络的阈值，为网络的阈值， X X

7、为初始输入向量，为初始输入向量，Y Y为网络的实际输出向为网络的实际输出向量量CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU7感知器的函数应用感知器的函数应用v X=0 0 1 1;0 1 0 1;T=0 1 1 1;X=0 0 1 1;0 1 0 1;T=0 1 1 1;vplotpv(X,Tplotpv(X,T); ); W,b=initp(X,T W,b=initp(X,T); ); figure; plotpv(X,T); plotpc(W,b figure; plotp

8、v(X,T); plotpc(W,b); ); figure; figure; W,b,epochs,errors W,b,epochs,errors= trainp(W,b,X,T,-1);= trainp(W,b,X,T,-1); figure;ploterr(errors figure;ploterr(errors); ); X1=X;y X1=X;y=simup(X1,W,b);=simup(X1,W,b);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU8v建立感知器函数

9、建立感知器函数vnet=newp(Xr,S,Tf,Lfnet=newp(Xr,S,Tf,Lf) )vXrXr为输入向量矩阵，为输入向量矩阵，S S表示神经元个数，表示神经元个数，vTfTf表示激活函数，表示激活函数，Lf Lf为学习函数，为学习函数，vnetnet为生成的新感知器神经网络。为生成的新感知器神经网络。v net=newp(-1 1;-1 1,1);net=newp(-1 1;-1 1,1);v Handle=plotpc(net.iw1,net.b1);Handle=plotpc(net.iw1,net.b1);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUC

10、SUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU9神经网络的函数应用神经网络的函数应用v初始化神经网络函数初始化神经网络函数v利用该函数可以对一个已经存在的神经网络进利用该函数可以对一个已经存在的神经网络进行初始值修正，网络的权值与阈值是按照网络行初始值修正，网络的权值与阈值是按照网络的初始化函数进行修正的，格式的初始化函数进行修正的，格式v net=init(NETnet=init(NET); );vNETNET为初始化前的网络，为初始化前的网络，netnet为初始化后的网为初始化后的网络络。CSUCSUCSUCSUCSUCSUCSUCSUCSU

11、CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU10神经网络的函数应用神经网络的函数应用v神经网络训练函数神经网络训练函数v这是一个通用的网络训练函数，训练函数重复这是一个通用的网络训练函数，训练函数重复的把一组输入向量应用到一个网络上，每次都的把一组输入向量应用到一个网络上，每次都更新网络，知道达到一个准则，停止训练的规更新网络，知道达到一个准则，停止训练的规则可能是最大学习步数，最小误差等，格式则可能是最大学习步数，最小误差等，格式v netnet，tr=train(NET,X,T,Pi,Aitr=train(NET,X,T,Pi

12、,Ai); );vNETNET为要训练的网络，为要训练的网络，X X，T T分别为输入向量分别为输入向量与教师信号，与教师信号，Pi Pi为初始输入延时，为初始输入延时，AiAi表示层延表示层延时，时，netnet为训练后网络，为训练后网络，tr tr表示训练步数和性能表示训练步数和性能。CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU11神经网络的函数应用神经网络的函数应用vX=-0.5 -0.5 0.3 -0.1 0.2 0 0.6 0.8;-0.5 0.5 -0.5 1 0.

13、5 -0.9 0.8 -0.6;vT=1 1 0 1 1 0 1 0;vnet=newp(-1 1;-1 1,1);vnet.performFcn=mae;vnet.trainParam.goal=0.01;vnet.trainParam.epochs=50;vnet.trainParam.show=1;vnet.trainParam.mc=0.95;vnet1,tr=train(net,X,T);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU12神经网络的函数应用神经网络的函数

14、应用v 网络的仿真函数网络的仿真函数simsimv 神经网络训练完成后，网络的权值与阈值就确定下神经网络训练完成后，网络的权值与阈值就确定下来了，就可以用来解决实际问题了。来了，就可以用来解决实际问题了。SimSim函数就是在函数就是在实际训练完成后来解决实际问题的。实际训练完成后来解决实际问题的。v YY，XfXf，AfAf sim(net,X,Xi,Aisim(net,X,Xi,Ai); );vnetnet为训练好的网络，为训练好的网络，X X为输入矩阵，为输入矩阵，XiXi输入延时，输入延时，AiAi为层延时。为层延时。vY Y表示网络的实际输出向量矩阵。表示网络的实际输出向量矩阵。CS

15、UCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU13神经网络的函数应用神经网络的函数应用v 例如例如vtestX=-0.5 0.3 -0.9 0.4 -0.1 0.2 -0.6 0.8 0.1 0.4;-0.3 -0.8 -0.4 -0.7 0.4 -0.6 0.1 -0.5 -0.5 0.3;vy=sim(net1,testX);vfigure;plotpv(testX,y);vplotpc(net1.iw1,net1.b1);CSUCSUCSUCSUCSUCSUCSUCSUCSUC

16、SUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU14神经网络的函数应用神经网络的函数应用v 例：能对三个输入进行分类的感知器网络例：能对三个输入进行分类的感知器网络vX=-1 1 -1 1 -1 1 -1 1;-1 -1 1 1 -1 -1 1 1;-1 -1 -1 -1 1 1 1 1;vT=0 1 0 0 1 1 0 1;vplotpv(X,T);vW,b=initp(X,T);vfigure;vplotpv(X,T);plotpc(W,b);v vfigure;vW,b,epochs,errors=trainp(W,b,X,T,-

17、1);vfigure;ploterr(errors);vX1=X;vy=sim(X1,W,b);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU15神经网络的函数应用神经网络的函数应用v 例：能对四个输入进行分类的感知器网络例：能对四个输入进行分类的感知器网络vX=0.1 0.7 0.8 0.8 1 0.3 0 -0.3 -0.5 -1.5;1.2 1.8 1.6 0.6 0.8 0.5 0.2 0.5 -1.5 -1.3;vT=1 1 1 0 0 1 1 1 0 0;0 0 0

18、0 0 1 1 1 1 1;vW,b=initp(X,T);v vW,b,epochs,errors=trainp(W,b,X,T,-1);vfigure;ploterr(errors);vX1=X;vy=simup(X1,W,b);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU16BPBP网络的函数应用网络的函数应用v bpbp网络的初始化函数网络的初始化函数v W,B=initff(Xr,S,TfW,B=initff(Xr,S,Tf););v W1,B1, W2,B2=ini

19、tff(Xr,S1,Tf1,S2,Tf2);W1,B1, W2,B2=initff(Xr,S1,Tf1,S2,Tf2);v 例子：例子：v X=sin(0:100);cos(0:100X=sin(0:100);cos(0:100* *2);2);vW1,B1, W2,B2=initff(X,8,tansig,5,purelin);CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU17BPBP网络的函数应用网络的函数应用v bpbp网络的训练函数网络的训练函数v W,B,te,tr=t

20、rainbp(w,b,Tf,X,T,tpW,B,te,tr=trainbp(w,b,Tf,X,T,tp); );vbpbp网络的仿真函数网络的仿真函数vY=simuff(X,w,b,TfY=simuff(X,w,b,Tf););CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU18基于基于simulinksimulink的神经网络控制系统的神经网络控制系统v 模块的生成函数模块的生成函数gensimgensimv gensim gensim（netnet，st st）vX=1 2 3

21、 4 5;vT=1 3 5 7 9;vnet=newlind(X,T);vy=sim(net,X);v gensim(net,-1)CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU19基于基于simulinksimulink的神经网络控制系统的神经网络控制系统v 例子：建立一个感知器网络，使其能够完成例子：建立一个感知器网络，使其能够完成“与与”的功能的功能 vX=0 0 1 1;0 1 0 1;T=0 0 0 1;vnet1=newp(-1 1;-1 1,1);vnet1=tra

22、in(net1,X,T);vy=sim(net1,X);v gensim(net1,-1)CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU20基于基于simulinksimulink的典型神经网络控制系统的典型神经网络控制系统v 神经网络模型预测控制神经网络模型预测控制v反馈线性化控制反馈线性化控制v模型参考控制模型参考控制CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCS

23、U21基于基于simulinksimulink的典型神经网络控制系统的典型神经网络控制系统v 神经网络模型预测控制神经网络模型预测控制v搅拌器控制系统例子搅拌器控制系统例子 predcstrpredcstrNeural Network Predictive Control of a Continous Stirred Tank Reactor(Double click on the ? for more info )To start and stop the simulation, use the Start/Stop selection in the Simulation pull -dow

24、n menuX(2Y) GraphRandom ReferencePlant(Continuous Stirred Tank Reactor)NN Predictive ControllerPlantOutputReferenceControlSignalOptim .NNModelDouble clickhere forSimulink Help?ClockFlow RateConcentrationCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU22基于基于simulinksi

25、mulink的典型神经网络控制系统的典型神经网络控制系统v 反馈线性化控制反馈线性化控制v磁悬浮控制系统例子磁悬浮控制系统例子 narmamaglevnarmamaglevNARMA-L2 Control of a Magnet Levitation System(Double click on the ? for more info )To start and stop the simulation, use the Start/Stopselection in the Simulation pull -down menuX(2Y) GraphRandom ReferencePlant(Ma

26、gnet Levitation)NSNARMA -L2 ControllerPlantOutputReferenceControlSignalfgDouble clickhere forSimulink Help?ClockCurrentPositionCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU23基于基于simulinksimulink的典型神经网络控制系统的典型神经网络控制系统v 模型参考控制模型参考控制v机械臂控制机械臂控制 mrefrobotarmmrefrobota

27、rmNeural Network Model Reference Control of a Robot Arm(Double click on the ? for more info )To start and stop the simulation, use the Start/Stopselection in the Simulation pull -down menuX(2Y) GraphRandom ReferencePlant(Robot Arm )Double clickhere forSimulink Help?Model Reference ControllerPlant Ou

28、tputReferenceControlSignalNeuralNetworkControllerClockAngleTorqueCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU241.1 智能控制的发展与定义图图1-1 1-1 自动控制的发展过程自动控制的发展过程开环控制开环控制确定性反馈控制确定性反馈控制最优控制最优控制随机控制随机控制自适应自适应/鲁棒控制鲁棒控制自学习控制自学习控制智能控制智能控制进进展展方方向向控制复杂性控制复杂性CSUCSUCSUCSUCSUCSUCSU

29、CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU251.1.21.1.2 智能控制的定义智能控制的定义1.1 智能控制的发展与定义v智能控制系统智能控制系统能够在定形或不定形、熟悉或不熟悉的能够在定形或不定形、熟悉或不熟悉的环境中自主地或与操作人员交互作用以环境中自主地或与操作人员交互作用以执行各种拟人任务的机器。执行各种拟人任务的机器。能按规定程序对机器或装置进行自动操能按规定程序对机器或装置进行自动操作或控制的过程。作或控制的过程。驱动智能机器自主实现其目标的过程。驱动智能机器自主实现其目标的过程。用于驱动自主智能机器

30、以实现其目标而用于驱动自主智能机器以实现其目标而无需人员干预的系统叫智能控制系统。无需人员干预的系统叫智能控制系统。v智能机器智能机器v自动控制自动控制v智能控制智能控制CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU26Astrom对智能控制系统的定义在传统的控制理论中融入诸如逻辑、推理逻辑、推理和启发式机制等非常规的数学手段和启发式机制等非常规的数学手段而构成的一种更为灵活灵活的控制系统。CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU

31、CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU27IEEE 对ICS 的规定v目前对ICS还没有一个完整的定义.vIEEE Control System Society 的Technical Committee on Intelligent Control 对ICS的general characteristics作了如下规定:vAn ability to emulate human capabilities, such as planning, learning and adaptation.CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCS

32、UCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU281.21.2 智能控制的结构理论与特点智能控制的结构理论与特点(Structural Theories and Feature of Intelligent Control)1.2.11.2.1 智能控制的结构理论智能控制的结构理论1. 1.二元结构二元结构 傅京孙傅京孙(K.S.Fu) (K.S.Fu) 首先首先论述了人工智能与自动控论述了人工智能与自动控制的交接关系制的交接关系 ，指出，指出“智智能控制系统描述自动控制能控制系统描述自动控制系统与人工智能的交接作系统与人工智能的交接作用用”。AIACI

33、C图图1-2 1-2 智能控制的二元结构智能控制的二元结构CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU292. 2. 三元结构三元结构v萨里迪斯萨里迪斯(Saridis(Saridis) )认为，二元认为，二元交集的两元互相支配无助于交集的两元互相支配无助于智能控制的有效和成功应用，智能控制的有效和成功应用，必须把远筹学的概念引入智必须把远筹学的概念引入智能控制，使它成为三元交集能控制，使它成为三元交集中的一个子集。中的一个子集。v萨里迪斯提出分级智能控制萨里迪斯提出分级智能控

34、制系统，由系统，由3 3个智能个智能( (感知感知) )级组级组成：成：组织级组织级、协调级协调级、执行执行级级。1.2 智能控制的结构理论与特点图图1-3 1-3 智能控制的三元结构智能控制的三元结构AIORICCTCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU30组织器组织器分配器分配器协调器协调器n协调器协调器1硬件控制器硬件控制器1硬件控制器硬件控制器n过程过程1过程过程n图图1-4 1-4 分级智能控制系统分级智能控制系统组织级组织级协调级协调级执行级执行级1.2 智能

35、控制的结构理论与特点CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU313. 3. 四元结构四元结构 蔡自兴蔡自兴提出四元智提出四元智能控制结构，把智能控能控制结构，把智能控制看做自动控制、人工制看做自动控制、人工智能、信息论和运筹学智能、信息论和运筹学四个学科的交集。四个学科的交集。ACICAIORIN图图1-5 1-5 智能控制的四元结构智能控制的四元结构1.2 智能控制的结构理论与特点CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUC

36、SUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU32v信息论作为智能控制结构一个子集的理由：信息论作为智能控制结构一个子集的理由：v信息论是解释知识和智能的一种手段；信息论是解释知识和智能的一种手段；v控制论、系统论和信息论是紧密相互作用的；控制论、系统论和信息论是紧密相互作用的；v信息论已成为控制智能机器的工具；信息论已成为控制智能机器的工具；v信息熵成为智能控制的测度；信息熵成为智能控制的测度；v信息论参与智能控制的全过程，并对执行级起信息论参与智能控制的全过程，并对执行级起到核心作用。到核心作用。CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCS

37、UCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU331.2.21.2.2 智能控制器的一般结构智能控制器的一般结构不完全任务描述不完全任务描述任务协商任务协商混合知识表示混合知识表示高层规划高层规划/ /控制控制常规控制过程常规控制过程各种驱动器各种驱动器世界（环境）世界（环境）各种传感器各种传感器多传感器多传感器感知系统感知系统图图1-6 1-6 智能控制器的一般结构智能控制器的一般结构1.2 智能控制的结构理论与特点CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU

38、CSUCSUCSUCSUCSU341.2.31.2.3 智能控制的特点智能控制的特点v智能控制以知识智能控制以知识进行推理，以启发引导求解过程。进行推理，以启发引导求解过程。v智能控制的核心在高层控制，即组织级。智能控制的核心在高层控制，即组织级。v智能控制是一门边缘交叉学科。智能控制是一门边缘交叉学科。v智能控制是一个新兴的研究领域。智能控制是一个新兴的研究领域。1.2 智能控制的结构理论与特点CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU351.31.3 智能控制的研究领域智

39、能控制的研究领域 (Research Fields of Intelligent Control)v智能机器人智能机器人 随着机器人技术的发展和自动化程度的提高，对随着机器人技术的发展和自动化程度的提高，对机器人的功能提出更高的要求，特别是各种具有机器人的功能提出更高的要求，特别是各种具有不同程度智能的机器人，包括空间智能机器人。不同程度智能的机器人，包括空间智能机器人。v智能过程控制与规划智能过程控制与规划 差异过程规划；生成过程规划；基于知识的过程差异过程规划；生成过程规划；基于知识的过程规划。规划。CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU

40、CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU36v专家控制系统专家控制系统v智能调度智能调度v语音控制语音控制v机器人控制机器人控制v智能仪器智能仪器1.3 智能控制的研究领域CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU371.4 1.4 智能控制系统智能控制系统 (Intelligent Control Systems)1.4.1 1.4.1 递阶控制系统递阶控制系统v递阶智能控制递阶智能控制( (hierarchically intelligen

41、t controlhierarchically intelligent control) )是是从工程控制论的角度总结人工智能与自适应、自学从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐习和自组织控制的关系之后而逐渐地形成的，是智渐地形成的，是智能控制的最早理论之一。能控制的最早理论之一。v两种分级递阶控制理论两种分级递阶控制理论: : 基于知识基于知识/ /解析混合多层解析混合多层智能控制理论以及智能控制理论以及递阶智能控制理论。递阶智能控制理论。CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU

42、CSUCSUCSUCSUCSUCSUCSU381. 1. 定义与假设定义与假设 智能控制系统各级的共同要素涉及机器各种作用智能控制系统各级的共同要素涉及机器各种作用的不确定性，采用概率模型来描述这些具有共同度量的不确定性，采用概率模型来描述这些具有共同度量的作用，即它们各自的熵的作用，即它们各自的熵(entropies)(entropies)。v组织级组织级：以知识为主体，用香农熵来衡量所需知识。：以知识为主体，用香农熵来衡量所需知识。v协调级协调级：以概率描述的决策方式来表示，这些方案：以概率描述的决策方式来表示，这些方案的熵用于度量协调的不确定性。的熵用于度量协调的不确定性。v执行级执行级

43、：执行代价等价于系统所消耗的能量，并由：执行代价等价于系统所消耗的能量，并由BoltzmanBoltzman的熵来表示。的熵来表示。1.4 智能控制系统CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU392. 2. 组织级与知识基系统组织级与知识基系统 组织器组织器(organizer)(organizer)是智能控制的最高级，它的功是智能控制的最高级，它的功能是建立在几个人工智能能是建立在几个人工智能( (基于知识基于知识) )概概念基础上的。念基础上的。这些概念转换为概率模型，

44、表示推理、规划、决策、这些概念转换为概率模型，表示推理、规划、决策、长时记忆交换和反馈学习等功能，以规定一个响应外长时记忆交换和反馈学习等功能，以规定一个响应外部指令的任务。部指令的任务。1.4 智能控制系统机器推理机器推理机器规划机器规划机器决策机器决策协调级协调级长期存储交换单元长期存储交换单元自顶向下自顶向下自底向上自底向上uj规划规划输出输出YF编译指编译指令输入令输入图图1-7 1-7 组织级的结构框图组织级的结构框图CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU403

45、. 3. 协调级与嵌套树协调级与嵌套树v协调级的目标协调级的目标是把控制问题的实际公式与最有希是把控制问题的实际公式与最有希望的完全的协调规划联系起来，包括在可供选择望的完全的协调规划联系起来，包括在可供选择的原本中挑选一个规划。的原本中挑选一个规划。v协调级由一定数目的协调器组成，每个协调器与协调级由一定数目的协调器组成，每个协调器与执行级的具体硬件执行级的具体硬件( (执行装置执行装置) )连接。当某个指令连接。当某个指令由相应的协调器发送至执行装置时，这些装置就由相应的协调器发送至执行装置时，这些装置就执行规定好执行规定好的任务。的任务。这种结构意味着：协调级不这种结构意味着：协调级不具

46、有推理能力。具有推理能力。1.4 智能控制系统CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU414. 4. 具有熵函数的执行级具有熵函数的执行级v执行级是递阶智能控制的最底层，要求具有执行级是递阶智能控制的最底层，要求具有较高的精度和较低的智能；按控制论进行控较高的精度和较低的智能；按控制论进行控制。制。v执行级的性能也可由执行级的性能也可由熵熵来表示，因而统一了来表示，因而统一了智能机器的功用。智能机器的功用。此熵的量度选择一适当的此熵的量度选择一适当的控制，以执行某任务的不确

47、定性。我们能够控制，以执行某任务的不确定性。我们能够选择某个最优控制使此熵选择某个最优控制使此熵( (即执行的不确定性即执行的不确定性) )为最小。为最小。1.4 智能控制系统CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU421.4.2 1.4.2 专家控制系统专家控制系统(Expert Control System)(Expert Control System)v对专家控制器的控制要求对专家控制器的控制要求v运行可靠性高运行可靠性高v决策能力强决策能力强v应用通用性好应用通用性

48、好v控制与处理的灵活性控制与处理的灵活性v拟人能力拟人能力v专家控制器的特点与设专家控制器的特点与设计原则计原则v模型描述的多样性模型描述的多样性v决策机构的递阶性决策机构的递阶性v在线处理的灵巧性在线处理的灵巧性v推理与决策的实时性推理与决策的实时性v控制策略的灵活性控制策略的灵活性1.4 智能控制系统CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU433. 3. 专家控制器的结构专家控制器的结构 知识库由经验数据库和学习与适应装置组成。经知识库由经验数据库和学习与适应装置组成。

49、经验数据库存储经验和事实；学习与适应装置验数据库存储经验和事实；学习与适应装置在线获取在线获取信息，补充或修改知识库内容，改进系统性能，提高信息，补充或修改知识库内容，改进系统性能，提高问题求解能力。问题求解能力。1.4 智能控制系统e学习与适学习与适应装置应装置数据库数据库专家控制器专家控制器特征识别特征识别信息处理信息处理推理推理机机控制规则集控制规则集控制对控制对象象传感器传感器RYESKGUYu图图1-8 工业专家控制器结构框图工业专家控制器结构框图CSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSUCSU

50、CSUCSUCSUCSU44v控制规则集是对被控过程的各种控制模式和经验的归控制规则集是对被控过程的各种控制模式和经验的归纳和总结，采用向前推理方法逐次判别各种规则纳和总结，采用向前推理方法逐次判别各种规则。v特征识别与信息处理实现信息的提取与加工，为控制特征识别与信息处理实现信息的提取与加工，为控制决策和学习适应提供依据。决策和学习适应提供依据。v专家控制器的输入集为：专家控制器的输入集为：E = E = ( (R R, , e e, , Y Y, , U U) )，e = R e = R Y Y 式中，式中，为参考控制输入，为参考控制输入，为误差信号，为误差信号，为受控为受控输出，输出，为