神经网络自适应控制研究综述摘要：神经网络与自适应控制相结合的研究，己成为智能控制的一个新的分支。自适应具有强鲁棒性，神经网络则具有良好的白学习功能和良好的容错能力，神经网络自适应控制山于较好地融合了两者的优点而具有强大的优势。该文综述了近年來神经网络自适应控制的研究现状，阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控制方案，并对神经网络自适应控制的应用作了介绍。在此基础上，对神经网络自适应控制仔在的主要问题，如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后，展望了神经网络自适应控制未來的发展趋势，并指出了其研究方向。关键词：神经网络；自适应控制：神经网络控制器；神经网络辨识：稳定性；鲁棒性；收敛性中图分类号：TP273文itt标识码：A目前U经出现的神经网络自适应控制1引言人工神经网络是从微观结构与功能上对人脑神经系统的模拟啲建立起來的一-类模型，具有模拟人的部分形象思维的能力，其特点主耍是具有非线性特性、学习能力和自适应性，是模拟人的智能的一条重要途径。近年來自适应控制等先进控制理论取得了长足发展。然而，在越來越高的性能要求下，在过程与环境高度不确定性的情况下，对于越来越复杂的系统，将自适应控制用于实际控制时述存在-•些问题，如自适应控制器结构过于复杂，模型参考自适应控制系统対确定性丁扰不能确保冬稳态谋差等。为了充分发挥自适应控制技术的优越性能，提高控制的魯棒性、实时性、容错性以及对控制参数的自适应和学习能力，更有效地实现对一些存在多种不确定性和难以确切描述的非线性复杂过程的控制，人们将自适应控制与神经网络适当组合，纽成基于神经网络的自适应控制系统。2神经网络自适应控制系统的典型结构方案很多，其中典型的控制方案有神经网络模型参考白适应控制和神经网络自校正控制等。2.1神经网络模型参考自适应控制神经网络模型参考自适应控制（简称NNMRAC）,分为直接型和间接型两种结构,分别如图1和图2所示。其«|'NNI和NNC分别表示神经网络辨识器和控制器。构造-个参考模型，使其输出为期望输出，则控制的冃的是y跟踪ym。图1神经网络模型参考直接自适应控制图12神经网络模型参考直接自适应控制山于反向传播需要知道被控对彖的数学模型，因而神经网络的学习与修正己经遇到许多问题。文献［4,5］釆用NNMRAC直接结构，基于稳定性理论选择控制律，提高了仿射非线性系统的跟踪精度，并使整个闭坏系统渐近稳定。文献［6］应用神经网络间接自适应结构，首先山神经网络辨识器离线辨识被控过程的前馈模型，然后进行在线学习与修止，显然NNI能提供谋差或英变化率的反向传播。2.2神经网络自校正控制神经网络白校止控制（简称NNSTC）结构如图3所示。图3神经网络自校正结构自校正控制是一种利用辨识器将对彖参数进行在线估计，用调节器实现参数的自动栏定相结合的自适应控错技术，可用于结构已知血参数未知但恒定的随机系统，或结构已知血参数慢时变的随机系统。神经网络自校止控制-般是用神经网络去逼近被控对彖的未知非线性函数，然后研究如何寻找控制器及神经网络权值调整门适应律，使得在保证稳定性的基础上实现控制目标。3人工神经网络在自适应控制系统中的应用3.1基于神经网络的系统辨识基于神经网络的系统辨识，就是将神经网络作为被辨识系统P的模型。它已在下八两个方面得到了广泛应用：1）可在己知常规模型结构的情况下，估计模型参数。2）利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，重点在于非线性系统的建模与辨识。3.2神经网络控制器及与其他算法相结合神经网络作为实时控制系统的控制器，对于不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。目前这一方而的研究兴趣日益高涨，各种典型的神经网络模型均可作为控制器。如可采用BP网络作为控制器，也可采用RBF网络作为控制器。采用不同的控制器，神经网络控制系统的稳定性和魯棒性分析也不同。神经网络还可与专家系统、模糊逻辑、遗传算法、小波、混沌等相结合用于控制系统，可为系统提供非参数模型、控制器模型。3.3优化...