智能控制研究新进展
人工神经网络，一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
1. 智能控制的特点
①、 不确定性的模型
智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。
②、 高度的非线性
对于具有高度非线性的控制对象，采用智能控制的方法往往可以较好地解决非线性系统的控制问题。
③、 复杂的任务要求
对于智能控制系统，任务的要求往往比较复杂。
2.智能控制与传统控制的关系
智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。 常规控制往往包含在智能控制之中，智能控制也利用常规控制的方法来解决“低级”的控制问题，力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。
传统的自动控制是建立在确定的模型基础上的，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。
传统的自动控制系统对控制任务的要求要么使输出量为定值(调节系统)，要么使输出量跟随期望的运动轨迹(跟随系统)，而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控制方法以及形式的独特之处。
与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。
与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。
与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。
与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。
总之，智能控制系统通过智能机自动地完成其目标的控制过程，其智能机可以在熟悉或不熟悉的环境中自动地或人─机交互地完成拟人任务。
2.人工神经网络控制系统
神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成。这种神经网络具有某些智能和仿人控制功能。
学习算法是神经网络的主要特征，也是当前研究的主要课题。学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节。神经网络具备类似人类的学习功能。一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输入，而改变输入的唯一方法只能修改加在输入端的加权系数。
神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，学习结束。常用的学习算法有：Hebb学习算法，widrow Hoff学习算法，反向传播学习算法一BP学习算法，Hopfield反馈神经网络学习算法等。
神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法。它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。这些特性是人们长期追求和期望的系统特性。它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力。神经网络可以和模糊逻辑一样适用于任意复杂对象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制。在模糊逻辑表示的SIMO 系统和MIMO 系统中，其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现。模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用。两者既有相同性又有不同性。其相同性为：两者都可作为万能逼近器解决非线性问题，并且两者都可以应用到控制器设计中。不同的是：模糊逻辑可以利用语言信息描述系统,而神经网络则不行，模糊逻辑应用到控制器设计中，其参数定义有明确的物理意义，因而可提出有效
的初始参数选择方法；神经网络的初始参数(如权值等) 只能随机选择。但在学习方式下，神经网络经过各种训练，其参数设置可以达到满足控制所需的行为。模糊逻辑和神经网络都是模仿人类大脑的运行机制，可以认为神经网络技术模仿人类大脑的硬件，模糊逻辑技术模仿人类大脑的软件。根据模糊逻辑和神经网络的各自特点，所结合的技术即为模糊神经网络技术和神经模糊逻辑技术。模糊逻辑、神经网络和它们混合技术适用于各种学习方式智能控制的相关技术与控制方式结合或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点。
3.人工神经网络的发展趋势
人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
4.总结与展望
智能控制虽然已有50多年的发展史，而其其实际应用也越来越成熟、广泛，但是相比较有经典的控制理论与方法，智能控制的应用还是有待进一步发展的，但是把智能控制与传统控制方案相结合，也是一种不错的应用方向，而其目前这方面的研究已经是比比皆是，比如用人工神经网络控制方案目前已经有了相当广泛的研究与应用。
智能控制研究新进展
人工神经网络，一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
1. 智能控制的特点
①、 不确定性的模型
智能控制的研究对象通常存在严重的不确定性。这里所说的模型不确定性包含两层意思：一是模型未知或知之甚少；二是模型的结构和参数可能在很大范围内变化。
②、 高度的非线性
对于具有高度非线性的控制对象，采用智能控制的方法往往可以较好地解决非线性系统的控制问题。
③、 复杂的任务要求
对于智能控制系统，任务的要求往往比较复杂。
2.智能控制与传统控制的关系
智能控制与传统的或常规的控制有密切的关系，不是相互排斥的。 常规控制往往包含在智能控制之中，智能控制也利用常规控制的方法来解决“低级”的控制问题，力图扩充常规控制方法并建立一系列新的理论与方法来解决更具有挑战性的复杂控制问题。
传统的自动控制是建立在确定的模型基础上的，而智能控制的研究对象则存在模型严重的不确定性，即模型未知或知之甚少者模型的结构和参数在很大的范围内变动，比如工业过程的病态结构问题、某些干扰的无法预测，致使无法建立其模型，这些问题对基于模型的传统自动控制来说很难解决。
传统的自动控制系统对控制任务的要求要么使输出量为定值(调节系统)，要么使输出量跟随期望的运动轨迹(跟随系统)，而智能控制为解决这类复杂的非线性问题找到了一个出路，成为解决这类问题行之有效的途径。工业过程智能控制系统除具有上述几个特点外，又有另外一些特点，如被控对象往往是动态的，而且控制系统在线运动，一般要求有较高的实时响应速度等，恰恰是这些特点又决定了它与其它智能控制系统如智能机器人系统、航空航天控制系统、交通运输控制系统等的区别，决定了它的控制方法以及形式的独特之处。
与传统自动控制系统相比，智能控制系统具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。
与传统自动控制系统相比，智能控制系统能以知识表示的非数学广义模型和以数学表示的混合控制过程，采用开闭环控制和定性及定量控制结合的多模态控制方式。
与传统自动控制系统相比，智能控制系统具有变结构特点，能总体自寻优，具有自适应、自组织、自学习和自协调能力。
与传统自动控制系统相比，智能控制系统有补偿及自修复能力和判断决策能力。
总之，智能控制系统通过智能机自动地完成其目标的控制过程，其智能机可以在熟悉或不熟悉的环境中自动地或人─机交互地完成拟人任务。
2.人工神经网络控制系统
神经网络是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量象生物神经元的处理单元并联互连而成。这种神经网络具有某些智能和仿人控制功能。
学习算法是神经网络的主要特征，也是当前研究的主要课题。学习的概念来自生物模型，它是机体在复杂多变的环境中进行有效的自我调节。神经网络具备类似人类的学习功能。一个神经网络若想改变其输出值，但又不能改变它的转换函数，只能改变其输入，而改变输入的唯一方法只能修改加在输入端的加权系数。
神经网络的学习过程是修改加权系数的过程，最终使其输出达到期望值，学习结束。常用的学习算法有：Hebb学习算法，widrow Hoff学习算法，反向传播学习算法一BP学习算法，Hopfield反馈神经网络学习算法等。
神经网络是利用大量的神经元按一定的拓扑结构和学习调整方法。它能表示出丰富的特性：并行计算、分布存储、可变结构、高度容错、非线性运算、自我组织、学习或自学习等。这些特性是人们长期追求和期望的系统特性。它在智能控制的参数、结构或环境的自适应、自组织、自学习等控制方面具有独特的能力。神经网络可以和模糊逻辑一样适用于任意复杂对象的控制，但它与模糊逻辑不同的是擅长单输入多输出系统和多输入多输出系统的多变量控制。在模糊逻辑表示的SIMO 系统和MIMO 系统中，其模糊推理、解模糊过程以及学习控制等功能常用神经网络来实现。模糊神经网络技术和神经模糊逻辑技术：模糊逻辑和神经网络作为智能控制的主要技术已被广泛应用。两者既有相同性又有不同性。其相同性为：两者都可作为万能逼近器解决非线性问题，并且两者都可以应用到控制器设计中。不同的是：模糊逻辑可以利用语言信息描述系统,而神经网络则不行，模糊逻辑应用到控制器设计中，其参数定义有明确的物理意义，因而可提出有效
的初始参数选择方法；神经网络的初始参数(如权值等) 只能随机选择。但在学习方式下，神经网络经过各种训练，其参数设置可以达到满足控制所需的行为。模糊逻辑和神经网络都是模仿人类大脑的运行机制，可以认为神经网络技术模仿人类大脑的硬件，模糊逻辑技术模仿人类大脑的软件。根据模糊逻辑和神经网络的各自特点，所结合的技术即为模糊神经网络技术和神经模糊逻辑技术。模糊逻辑、神经网络和它们混合技术适用于各种学习方式智能控制的相关技术与控制方式结合或综合交叉结合，构成风格和功能各异的智能控制系统和智能控制器是智能控制技术方法的一个主要特点。
3.人工神经网络的发展趋势
人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。
4.总结与展望
智能控制虽然已有50多年的发展史，而其其实际应用也越来越成熟、广泛，但是相比较有经典的控制理论与方法，智能控制的应用还是有待进一步发展的，但是把智能控制与传统控制方案相结合，也是一种不错的应用方向，而其目前这方面的研究已经是比比皆是，比如用人工神经网络控制方案目前已经有了相当广泛的研究与应用。