什么是神經網絡控制

神經網絡控制技術是一項復雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算后對變頻器進行控制的一種新技術。

而且神經網絡控制可以同時控制多個變頻器，所以應用在多個變頻器級聯控制中比較合適。

谷歌人工智能寫作項目：愛發貓

周期性間歇控制為什么用于神經網絡

什么是神經網絡控制技術？

神經網絡控制技術是一項復雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算后對變頻器進行控制的一種新技術。

而且神經網絡控制可以同時控制多個變頻器，所以應用在多個變頻器級聯控制中比較合適。

什么是神經網絡控制技術

神經網絡控制技術是一項復雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算后對變頻器進行控制的一種新技術。

而且神經網絡控制可以同時控制多個變頻器，所以應用在多個變頻器級聯控制中比較合適。

神經網絡是什么？

生物神經網絡主要是指人腦的神經網絡，它是人工神經網絡的技術原型。

人腦是人類思維的物質基礎，思維的功能定位在大腦皮層，后者含有大約10^11個神經元，每個神經元又通過神經突觸與大約103個其它神經元相連，形成一個高度復雜高度靈活的動態網絡。

作為一門學科，生物神經網絡主要研究人腦神經網絡的結構、功能及其工作機制，意在探索人腦思維和智能活動的規律。

人工神經網絡是生物神經網絡在某種簡化意義下的技術復現，作為一門學科，它的主要任務是根據生物神經網絡的原理和實際應用的需要建造實用的人工神經網絡模型，設計相應的學習算法，模擬人腦的某種智能活動，然后在技術上實現出來用以解決實際問題。

因此，生物神經網絡主要研究智能的機理；人工神經網絡主要研究智能機理的實現，兩者相輔相成。

人工神經網絡的定義，詳細說明

人工神經網絡（ArtificialNeuralNetworks,ANN），一種模范動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。

這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。

人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為“訓練”。

（引自《環球科學》2007年第一期《神經語言：老鼠胡須下的秘密》）概念由大量處理單元互聯組成的非線性、自適應信息處理系統。

它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。人工神經網絡具有四個基本特征：（1）非線性非線性關系是自然界的普遍特性。

大腦的智慧就是一種非線性現象。人工神經元處于激活或抑制二種不同的狀態，這種行為在數學上表現為一種非線性關系。具有閾值的神經元構成的網絡具有更好的性能，可以提高容錯性和存儲容量。

（2）非局限性一個神經網絡通常由多個神經元廣泛連接而成。一個系統的整體行為不僅取決于單個神經元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。

聯想記憶是非局限性的典型例子。（3）非常定性人工神經網絡具有自適應、自組織、自學習能力。神經網絡不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統本身也在不斷變化。

經常采用迭代過程描寫動力系統的演化過程。（4）非凸性一個系統的演化方向，在一定條件下將取決于某個特定的狀態函數。例如能量函數，它的極值相應于系統比較穩定的狀態。

非凸性是指這種函數有多個極值，故系統具有多個較穩定的平衡態，這將導致系統演化的多樣性。人工神經網絡中，神經元處理單元可表示不同的對象，例如特征、字母、概念，或者一些有意義的抽象模式。

網絡中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數據；輸出單元實現系統處理結果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統外部觀察的單元。

神經元間的連接權值反映了單元間的連接強度，信息的表示和處理體現在網絡處理單元的連接關系中。

人工神經網絡是一種非程序化、適應性、大腦風格的信息處理，其本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經系統的信息處理功能。

它是涉及神經科學、思維科學、人工智能、計算機科學等多個領域的交叉學科。

人工神經網絡是并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。

歷史沿革1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts建立了神經網絡和數學模型，稱為MP模型。

他們通過MP模型提出了神經元的形式化數學描述和網絡結構方法，證明了單個神經元能執行邏輯功能，從而開創了人工神經網絡研究的時代。1949年，心理學家提出了突觸聯系強度可變的設想。

60年代，人工神經網絡的到了進一步發展，更完善的神經網絡模型被提出，其中包括感知器和自適應線性元件等。

M.Minsky等仔細分析了以感知器為代表的神經網絡系統的功能及局限后，于1969年出版了《Perceptron》一書，指出感知器不能解決高階謂詞問題。

他們的論點極大地影響了神經網絡的研究，加之當時串行計算機和人工智能所取得的成就，掩蓋了發展新型計算機和人工智能新途徑的必要性和迫切性，使人工神經網絡的研究處于低潮。

在此期間，一些人工神經網絡的研究者仍然致力于這一研究，提出了適應諧振理論（ART網）、自組織映射、認知機網絡，同時進行了神經網絡數學理論的研究。以上研究為神經網絡的研究和發展奠定了基礎。

1982年，美國加州工學院物理學家J.J.Hopfield提出了Hopfield神經網格模型，引入了“計算能量”概念，給出了網絡穩定性判斷。

1984年，他又提出了連續時間Hopfield神經網絡模型，為神經計算機的研究做了開拓性的工作，開創了神經網絡用于聯想記憶和優化計算的新途徑，有力地推動了神經網絡的研究，1985年，又有學者提出了波耳茲曼模型，在學習中采用統計熱力學模擬退火技術，保證整個系統趨于全局穩定點。

1986年進行認知微觀結構地研究，提出了并行分布處理的理論。

人工神經網絡的研究受到了各個發達國家的重視，美國國會通過決議將1990年1月5日開始的十年定為“腦的十年”，國際研究組織號召它的成員國將“腦的十年”變為全球行為。

在日本的“真實世界計算（RWC）”項目中，人工智能的研究成了一個重要的組成部分。基本內容人工神經網絡模型主要考慮網絡連接的拓撲結構、神經元的特征、學習規則等。

目前，已有近40種神經網絡模型，其中有反傳網絡、感知器、自組織映射、Hopfield網絡、波耳茲曼機、適應諧振理論等。

根據連接的拓撲結構，神經網絡模型可以分為：（1）前向網絡網絡中各個神經元接受前一級的輸入，并輸出到下一級，網絡中沒有反饋，可以用一個有向無環路圖表示。

這種網絡實現信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數的多次復合。網絡結構簡單，易于實現。反傳網絡是一種典型的前向網絡。

（2）反饋網絡網絡內神經元間有反饋，可以用一個無向的完備圖表示。這種神經網絡的信息處理是狀態的變換，可以用動力學系統理論處理。系統的穩定性與聯想記憶功能有密切關系。

Hopfield網絡、波耳茲曼機均屬于這種類型。學習是神經網絡研究的一個重要內容，它的適應性是通過學習實現的。根據環境的變化，對權值進行調整，改善系統的行為。

由Hebb提出的Hebb學習規則為神經網絡的學習算法奠定了基礎。Hebb規則認為學習過程最終發生在神經元之間的突觸部位，突觸的聯系強度隨著突觸前后神經元的活動而變化。

在此基礎上，人們提出了各種學習規則和算法，以適應不同網絡模型的需要。

有效的學習算法，使得神經網絡能夠通過連接權值的調整，構造客觀世界的內在表示，形成具有特色的信息處理方法，信息存儲和處理體現在網絡的連接中。

根據學習環境不同，神經網絡的學習方式可分為監督學習和非監督學習。

在監督學習中，將訓練樣本的數據加到網絡輸入端，同時將相應的期望輸出與網絡輸出相比較，得到誤差信號，以此控制權值連接強度的調整，經多次訓練后收斂到一個確定的權值。

當樣本情況發生變化時，經學習可以修改權值以適應新的環境。使用監督學習的神經網絡模型有反傳網絡、感知器等。非監督學習時，事先不給定標準樣本，直接將網絡置于環境之中，學習階段與工作階段成為一體。

此時，學習規律的變化服從連接權值的演變方程。非監督學習最簡單的例子是Hebb學習規則。競爭學習規則是一個更復雜的非監督學習的例子，它是根據已建立的聚類進行權值調整。

自組織映射、適應諧振理論網絡等都是與競爭學習有關的典型模型。

研究神經網絡的非線性動力學性質，主要采用動力學系統理論、非線性規劃理論和統計理論，來分析神經網絡的演化過程和吸引子的性質，探索神經網絡的協同行為和集體計算功能，了解神經信息處理機制。

為了探討神經網絡在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會發揮作用。混沌是一個相當難以精確定義的數學概念。

一般而言，“混沌”是指由確定性方程描述的動力學系統中表現出的非確定性行為，或稱之為確定的隨機性。

“確定性”是因為它由內在的原因而不是外來的噪聲或干擾所產生，而“隨機性”是指其不規則的、不能預測的行為，只可能用統計的方法描述。

混沌動力學系統的主要特征是其狀態對初始條件的靈敏依賴性，混沌反映其內在的隨機性。

混沌理論是指描述具有混沌行為的非線性動力學系統的基本理論、概念、方法，它把動力學系統的復雜行為理解為其自身與其在同外界進行物質、能量和信息交換過程中內在的有結構的行為，而不是外來的和偶然的行為，混沌狀態是一種定態。

混沌動力學系統的定態包括：靜止、平穩量、周期性、準同期性和混沌解。混沌軌線是整體上穩定與局部不穩定相結合的結果，稱之為奇異吸引子。

一個奇異吸引子有如下一些特征：（1）奇異吸引子是一個吸引子，但它既不是不動點，也不是周期解；（2）奇異吸引子是不可分割的，即不能分為兩個以及兩個以上的吸引子；（3）它對初始值十分敏感，不同的初始值會導致極不相同的行為。

發展趨勢人工神經網絡特有的非線性適應性信息處理能力，克服了傳統人工智能方法對于直覺，如模式、語音識別、非結構化信息處理方面的缺陷，使之在神經專家系統、模式識別、智能控制、組合優化、預測等領域得到成功應用。

人工神經網絡與其它傳統方法相結合，將推動人工智能和信息處理技術不斷發展。

近年來，人工神經網絡正向模擬人類認知的道路上更加深入發展，與模糊系統、遺傳算法、進化機制等結合，形成計算智能，成為人工智能的一個重要方向，將在實際應用中得到發展。

將信息幾何應用于人工神經網絡的研究，為人工神經網絡的理論研究開辟了新的途徑。神經計算機的研究發展很快，已有產品進入市場。光電結合的神經計算機為人工神經網絡的發展提供了良好條件。

高分懸賞！！！求解神經網絡控制器？？？ 100

如何在眾多mppt實現方法中合理選取最佳方案

MPPT技術已成研究熱點，其控制方法多樣，控制效果不盡相同，實現過程也大有區別。根據文[123]，可將各種控制方法分為間接近似控制法、直接采樣控制法以及人工智能控制法3大類。

間接控制法主要有曲線擬合法、查表法等;直接采樣控制法主要有干擾觀測法、電導增量法等;人工智能控制法主要有模糊控制法、神經網絡控制法等。

目前主要文獻均針對某一特定方法進行研究，缺乏對各種控制方法實際應用效果的系統化比較研究，采用實際控制平臺進行實用性研究的則更少。

本文根據方法分類，選取最具代表性的干擾觀測法、電導增量法、模糊控制法作為研究對象，分別建立控制模型，采用MATLAB/Simulink對系統主電路及控制系統進行整體仿真，并在實驗平臺上對各種方法分別進行實驗研究。

1各典型控制方法實現原理1.1干擾觀測法的實現干擾觀測法的原理是先讓光伏陣列工作在某一參考電壓下，檢測輸出功率，在此工作電壓基礎上加一正向電壓擾動量，檢測輸出功率變化。

若輸出功率增加，表明光伏陣列最大功率點電壓高于當前工作點，需繼續增加正向擾動;若所測輸出功率降低，則最大功率點電壓低于當前工作點，需反向擾動工作點電壓[425]。

1.2電導增量法的實現電導增量法通過比較光伏陣列的電導增量和瞬間電導來改變控制信號。

由光伏陣列特性曲線可知最大功率點處滿足電導條件：其中，VPV和IPV分別為光伏陣列輸出的電壓和電流，PPV為光伏陣列輸出的瞬時功率。根據判定結果調整參考電壓即可實現控制。

1.3模糊控制法的實現定義輸出偏差E及其變化率CE作為模糊控制器的輸入，將控制系統所需要的控制變化量以微分dD的形式從模糊控制器輸出。

若當前采樣和上次采樣數值分別用n和n-1來表示，則可定義模糊控制器輸入變量ec(n)及其變化率Δec(n)的函數表達式為:定義模糊控制規則為:若當前正向調節控制PWM占空比使輸出功率增加，則繼續正方向調整，反之則反方向調節，調節幅度由具體的模糊規則表和隸屬度函數經模糊控制器輸出決定。

定義模糊集合:ZO=零PS=正小PB=正大NB=負大NS=負小。定義模糊函數F(ec(n)，Δec(n))的輸入輸出隸屬度函數E、CE、dD如圖1所示。

對模糊控制器輸出dD進行積分運算，即得控制所需的占空比D，輸出作用于主電路開關器件。

2系統仿真根據MPPT的控制方法，建立由光伏電池通過Buck電路對蓄電池進行最大功率充電的主電路模型，采用MATLAB/Simulink進行仿真，模型中包括光伏電池模塊、主電路模塊和控制模塊，其電氣主電路模型如圖2所示。

圖1隸屬度函數E、CE和dD定義圖2MATLAB/Simulink平臺的電氣主電路模型控制部分根據傳感器采樣獲得數據分別采用上述不同控制方法進行MPPT控制，最后輸出開關器件的控制信號。

仿真中，光伏電池模型額定功率為300W，在0.025、0.03、0.035s不同時刻改變光照強度PU分別為700、800、900、1000W/m2，溫度參數定為25℃。

為便于比較，采樣頻率統一為5kHz，干擾觀測法和電導增量法的電壓參考值單步變化量均為0.1V，模糊控制則由控制算法自身判定。

干擾觀測法控制的MPPT仿真輸出曲線如圖3所示，圖3a為光伏電池PV輸出的電壓、電流曲線，圖3b為最大功率點跟蹤效果圖，系統從光照強度為700W/m2曲線右側啟動，顯示在光照強度劇烈變化下的跟蹤過程。

仿真中，圖3a電流波形上升沿較陡，說明能快速準確地進行MPPT跟蹤;圖3a輸出電壓電流振蕩明顯，說明在最大功率附近反復調整;圖3b反映出MPPT運行點左右擺動較大。

圖3干擾觀測法控制下的MPPT仿真輸出曲線同理，電導增量法控制的MPPT仿真輸出曲線如圖4所示。

圖4電導增量法控制下的MPPT仿真輸出曲線仿真中，圖4a上升沿陡、超調量較小，體現系統動態響應較好;圖4b中MPPT運行點較為穩定，擺動幅度小，說明系統MPPT跟蹤效果較為理想，動穩態精度均較高。

模糊控制法MPPT仿真輸出曲線如圖5所示。

圖5模糊控制法控制下的MPPT仿真輸出曲線仿真中，圖5a電壓電流波形輸出均較平穩，說明系統穩態性能較好;圖5a中電流輸出超調衰減較慢，體現動態響應不夠靈活的缺點;圖5b體現MPPT運行點較為穩定。

3系統實驗實驗平臺由300W光伏陣列、蓄電池組、LEM霍爾電壓電流傳感器等組成。

系統由傳感器采樣經調理電路轉換后由TMS320F2812DSP根據采樣數據和控制算法最終輸出PWM控制脈沖控制開關器件，從而實現整個系統的控制。

實驗中采用遮蓋部分光伏電池并迅速移開的辦法產生光照變化效果，測試各種方法在光照強度變化下的跟蹤效果。實驗波形如圖6所示。

圖6a波形上升沿和下降沿變化迅速，體現出干擾觀測法跟蹤速度較快的特點，但上升沿和下降沿均出現電流毛刺，為光照強度劇烈變化時出現的誤判斷引起，且穩態運行時輸出電流波動范圍較大;圖6b上升沿和下降沿均較為平滑，體現動態響應快、跟蹤精度高的優點;圖6c中，當光照突然增大，電流增加迅速，但超調較大，說明動態響應精度不夠，系統調節速度較慢，但電流波形波動較小，最后仍能回到初始值，說明穩態精度理想。

圖6各種控制方法對應的MPPT實驗波形本系統所用組件開路電壓85V左右，額定光照下最大功率點電壓為72V左右，實驗控制和經驗值完全一致。

43種MPPT方法比較對以上仿真和實驗進行分析可以發現，干擾觀測法能快速準確進行MPPT控制，但在最大功率點附近振蕩運行，穩態輸出波形有一定波動;擾動步長設定無法兼顧跟蹤精度和響應速度，選擇不當甚至會出現電壓失控現象，需進行多次嘗試才能選定最佳步長;在光照強度劇烈變化時會出現誤判斷。

電導增量法控制效果較理想，最大功率點附近較平穩，在光照強度變化劇烈的條件下也能快速跟蹤，跟蹤中無明顯毛刺現象。

但其算法實現時需要反復微分運算，計算量大，需要高速運算控制器，且對傳感器精度要求較高，否則控制效果也不理想，出現擾動和振蕩。本實驗采用的控制器和傳感器性能較高滿足實驗要求，故此問題未突顯。

以模糊控制為代表的智能控制技術不需要精確研究光伏電池的具體特性和系統參數，系統控制設計靈活，穩態精度較高，控制系統魯棒性強。

但模糊控制在光伏系統MPPT控制應用中存在動態響應較慢、適應能力有限、特定條件下易振蕩等固有問題;模糊控制算法復雜，其模糊推理和解模糊過程需要完成大量浮點運算，控制系統實時性難以滿足，實際應用中實現困難，采用TMS320F2812定點DSP難以實現較高控制頻率，高性能控制需要更高性能的控制器，如TMS320F28335、TMS320VC33等浮點運算控制器，但系統成本較高。

神經網絡控制器怎樣搭建

總結

以上是生活随笔為你收集整理的神经网络在控制中的作用,间歇控制器的工作原理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。