神经网络在控制中的作用,间歇控制器的工作原理

什么是神经网络控制

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

谷歌人工智能写作项目：爱发猫

周期性间歇控制为什么用于神经网络

什么是神经网络控制技术？

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

什么是神经网络控制技术

神经网络控制技术是一项复杂的系统控制技术，一般应用在变频器的控制中，它是通过对系统的辨识、运算后对变频器进行控制的一种新技术。

而且神经网络控制可以同时控制多个变频器，所以应用在多个变频器级联控制中比较合适。

神经网络是什么？

生物神经网络主要是指人脑的神经网络，它是人工神经网络的技术原型。

人脑是人类思维的物质基础，思维的功能定位在大脑皮层，后者含有大约10^11个神经元，每个神经元又通过神经突触与大约103个其它神经元相连，形成一个高度复杂高度灵活的动态网络。

作为一门学科，生物神经网络主要研究人脑神经网络的结构、功能及其工作机制，意在探索人脑思维和智能活动的规律。

人工神经网络是生物神经网络在某种简化意义下的技术复现，作为一门学科，它的主要任务是根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，设计相应的学习算法，模拟人脑的某种智能活动，然后在技术上实现出来用以解决实际问题。

因此，生物神经网络主要研究智能的机理；人工神经网络主要研究智能机理的实现，两者相辅相成。

人工神经网络的定义，详细说明

人工神经网络（ArtificialNeuralNetworks,ANN），一种模范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”。

（引自《环球科学》2007年第一期《神经语言：老鼠胡须下的秘密》）概念由大量处理单元互联组成的非线性、自适应信息处理系统。

它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：（1）非线性非线性关系是自然界的普遍特性。

大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。

（2）非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。

联想记忆是非局限性的典型例子。（3）非常定性人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。

经常采用迭代过程描写动力系统的演化过程。（4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。

非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。人工神经网络中，神经元处理单元可表示不同的对象，例如特征、字母、概念，或者一些有意义的抽象模式。

网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。

神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。

人工神经网络是一种非程序化、适应性、大脑风格的信息处理，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能。

它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。

人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

历史沿革1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立了神经网络和数学模型，称为MP模型。

他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。1949年，心理学家提出了突触联系强度可变的设想。

60年代，人工神经网络的到了进一步发展，更完善的神经网络模型被提出，其中包括感知器和自适应线性元件等。

M.Minsky等仔细分析了以感知器为代表的神经网络系统的功能及局限后，于1969年出版了《Perceptron》一书，指出感知器不能解决高阶谓词问题。

他们的论点极大地影响了神经网络的研究，加之当时串行计算机和人工智能所取得的成就，掩盖了发展新型计算机和人工智能新途径的必要性和迫切性，使人工神经网络的研究处于低潮。

在此期间，一些人工神经网络的研究者仍然致力于这一研究，提出了适应谐振理论（ART网）、自组织映射、认知机网络，同时进行了神经网络数学理论的研究。以上研究为神经网络的研究和发展奠定了基础。

1982年，美国加州工学院物理学家J.J.Hopfield提出了Hopfield神经网格模型，引入了“计算能量”概念，给出了网络稳定性判断。

1984年，他又提出了连续时间Hopfield神经网络模型，为神经计算机的研究做了开拓性的工作，开创了神经网络用于联想记忆和优化计算的新途径，有力地推动了神经网络的研究，1985年，又有学者提出了波耳兹曼模型，在学习中采用统计热力学模拟退火技术，保证整个系统趋于全局稳定点。

1986年进行认知微观结构地研究，提出了并行分布处理的理论。

人工神经网络的研究受到了各个发达国家的重视，美国国会通过决议将1990年1月5日开始的十年定为“脑的十年”，国际研究组织号召它的成员国将“脑的十年”变为全球行为。

在日本的“真实世界计算（RWC）”项目中，人工智能的研究成了一个重要的组成部分。基本内容人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。

目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。

根据连接的拓扑结构，神经网络模型可以分为：（1）前向网络网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈，可以用一个有向无环路图表示。

这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。网络结构简单，易于实现。反传网络是一种典型的前向网络。

（2）反馈网络网络内神经元间有反馈，可以用一个无向的完备图表示。这种神经网络的信息处理是状态的变换，可以用动力学系统理论处理。系统的稳定性与联想记忆功能有密切关系。

Hopfield网络、波耳兹曼机均属于这种类型。学习是神经网络研究的一个重要内容，它的适应性是通过学习实现的。根据环境的变化，对权值进行调整，改善系统的行为。

由Hebb提出的Hebb学习规则为神经网络的学习算法奠定了基础。Hebb规则认为学习过程最终发生在神经元之间的突触部位，突触的联系强度随着突触前后神经元的活动而变化。

在此基础上，人们提出了各种学习规则和算法，以适应不同网络模型的需要。

有效的学习算法，使得神经网络能够通过连接权值的调整，构造客观世界的内在表示，形成具有特色的信息处理方法，信息存储和处理体现在网络的连接中。

根据学习环境不同，神经网络的学习方式可分为监督学习和非监督学习。

在监督学习中，将训练样本的数据加到网络输入端，同时将相应的期望输出与网络输出相比较，得到误差信号，以此控制权值连接强度的调整，经多次训练后收敛到一个确定的权值。

当样本情况发生变化时，经学习可以修改权值以适应新的环境。使用监督学习的神经网络模型有反传网络、感知器等。非监督学习时，事先不给定标准样本，直接将网络置于环境之中，学习阶段与工作阶段成为一体。

此时，学习规律的变化服从连接权值的演变方程。非监督学习最简单的例子是Hebb学习规则。竞争学习规则是一个更复杂的非监督学习的例子，它是根据已建立的聚类进行权值调整。

自组织映射、适应谐振理论网络等都是与竞争学习有关的典型模型。

研究神经网络的非线性动力学性质，主要采用动力学系统理论、非线性规划理论和统计理论，来分析神经网络的演化过程和吸引子的性质，探索神经网络的协同行为和集体计算功能，了解神经信息处理机制。

为了探讨神经网络在整体性和模糊性方面处理信息的可能，混沌理论的概念和方法将会发挥作用。混沌是一个相当难以精确定义的数学概念。

一般而言，“混沌”是指由确定性方程描述的动力学系统中表现出的非确定性行为，或称之为确定的随机性。

“确定性”是因为它由内在的原因而不是外来的噪声或干扰所产生，而“随机性”是指其不规则的、不能预测的行为，只可能用统计的方法描述。

混沌动力学系统的主要特征是其状态对初始条件的灵敏依赖性，混沌反映其内在的随机性。

混沌理论是指描述具有混沌行为的非线性动力学系统的基本理论、概念、方法，它把动力学系统的复杂行为理解为其自身与其在同外界进行物质、能量和信息交换过程中内在的有结构的行为，而不是外来的和偶然的行为，混沌状态是一种定态。

混沌动力学系统的定态包括：静止、平稳量、周期性、准同期性和混沌解。混沌轨线是整体上稳定与局部不稳定相结合的结果，称之为奇异吸引子。

一个奇异吸引子有如下一些特征：（1）奇异吸引子是一个吸引子，但它既不是不动点，也不是周期解；（2）奇异吸引子是不可分割的，即不能分为两个以及两个以上的吸引子；（3）它对初始值十分敏感，不同的初始值会导致极不相同的行为。

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。

高分悬赏！！！求解神经网络控制器？？？ 100

如何在众多mppt实现方法中合理选取最佳方案

MPPT技术已成研究热点，其控制方法多样，控制效果不尽相同，实现过程也大有区别。根据文[123]，可将各种控制方法分为间接近似控制法、直接采样控制法以及人工智能控制法3大类。

间接控制法主要有曲线拟合法、查表法等;直接采样控制法主要有干扰观测法、电导增量法等;人工智能控制法主要有模糊控制法、神经网络控制法等。

目前主要文献均针对某一特定方法进行研究，缺乏对各种控制方法实际应用效果的系统化比较研究，采用实际控制平台进行实用性研究的则更少。

本文根据方法分类，选取最具代表性的干扰观测法、电导增量法、模糊控制法作为研究对象，分别建立控制模型，采用MATLAB/Simulink对系统主电路及控制系统进行整体仿真，并在实验平台上对各种方法分别进行实验研究。

1各典型控制方法实现原理1.1干扰观测法的实现干扰观测法的原理是先让光伏阵列工作在某一参考电压下，检测输出功率，在此工作电压基础上加一正向电压扰动量，检测输出功率变化。

若输出功率增加，表明光伏阵列最大功率点电压高于当前工作点，需继续增加正向扰动;若所测输出功率降低，则最大功率点电压低于当前工作点，需反向扰动工作点电压[425]。

1.2电导增量法的实现电导增量法通过比较光伏阵列的电导增量和瞬间电导来改变控制信号。

由光伏阵列特性曲线可知最大功率点处满足电导条件：其中，VPV和IPV分别为光伏阵列输出的电压和电流，PPV为光伏阵列输出的瞬时功率。根据判定结果调整参考电压即可实现控制。

1.3模糊控制法的实现定义输出偏差E及其变化率CE作为模糊控制器的输入，将控制系统所需要的控制变化量以微分dD的形式从模糊控制器输出。

若当前采样和上次采样数值分别用n和n-1来表示，则可定义模糊控制器输入变量ec(n)及其变化率Δec(n)的函数表达式为:定义模糊控制规则为:若当前正向调节控制PWM占空比使输出功率增加，则继续正方向调整，反之则反方向调节，调节幅度由具体的模糊规则表和隶属度函数经模糊控制器输出决定。

定义模糊集合:ZO=零PS=正小PB=正大NB=负大NS=负小。定义模糊函数F(ec(n)，Δec(n))的输入输出隶属度函数E、CE、dD如图1所示。

对模糊控制器输出dD进行积分运算，即得控制所需的占空比D，输出作用于主电路开关器件。

2系统仿真根据MPPT的控制方法，建立由光伏电池通过Buck电路对蓄电池进行最大功率充电的主电路模型，采用MATLAB/Simulink进行仿真，模型中包括光伏电池模块、主电路模块和控制模块，其电气主电路模型如图2所示。

图1隶属度函数E、CE和dD定义图2MATLAB/Simulink平台的电气主电路模型控制部分根据传感器采样获得数据分别采用上述不同控制方法进行MPPT控制，最后输出开关器件的控制信号。

仿真中，光伏电池模型额定功率为300W，在0.025、0.03、0.035s不同时刻改变光照强度PU分别为700、800、900、1000W/m2，温度参数定为25℃。

为便于比较，采样频率统一为5kHz，干扰观测法和电导增量法的电压参考值单步变化量均为0.1V，模糊控制则由控制算法自身判定。

干扰观测法控制的MPPT仿真输出曲线如图3所示，图3a为光伏电池PV输出的电压、电流曲线，图3b为最大功率点跟踪效果图，系统从光照强度为700W/m2曲线右侧启动，显示在光照强度剧烈变化下的跟踪过程。

仿真中，图3a电流波形上升沿较陡，说明能快速准确地进行MPPT跟踪;图3a输出电压电流振荡明显，说明在最大功率附近反复调整;图3b反映出MPPT运行点左右摆动较大。

图3干扰观测法控制下的MPPT仿真输出曲线同理，电导增量法控制的MPPT仿真输出曲线如图4所示。

图4电导增量法控制下的MPPT仿真输出曲线仿真中，图4a上升沿陡、超调量较小，体现系统动态响应较好;图4b中MPPT运行点较为稳定，摆动幅度小，说明系统MPPT跟踪效果较为理想，动稳态精度均较高。

模糊控制法MPPT仿真输出曲线如图5所示。

图5模糊控制法控制下的MPPT仿真输出曲线仿真中，图5a电压电流波形输出均较平稳，说明系统稳态性能较好;图5a中电流输出超调衰减较慢，体现动态响应不够灵活的缺点;图5b体现MPPT运行点较为稳定。

3系统实验实验平台由300W光伏阵列、蓄电池组、LEM霍尔电压电流传感器等组成。

系统由传感器采样经调理电路转换后由TMS320F2812DSP根据采样数据和控制算法最终输出PWM控制脉冲控制开关器件，从而实现整个系统的控制。

实验中采用遮盖部分光伏电池并迅速移开的办法产生光照变化效果，测试各种方法在光照强度变化下的跟踪效果。实验波形如图6所示。

图6a波形上升沿和下降沿变化迅速，体现出干扰观测法跟踪速度较快的特点，但上升沿和下降沿均出现电流毛刺，为光照强度剧烈变化时出现的误判断引起，且稳态运行时输出电流波动范围较大;图6b上升沿和下降沿均较为平滑，体现动态响应快、跟踪精度高的优点;图6c中，当光照突然增大，电流增加迅速，但超调较大，说明动态响应精度不够，系统调节速度较慢，但电流波形波动较小，最后仍能回到初始值，说明稳态精度理想。

图6各种控制方法对应的MPPT实验波形本系统所用组件开路电压85V左右，额定光照下最大功率点电压为72V左右，实验控制和经验值完全一致。

43种MPPT方法比较对以上仿真和实验进行分析可以发现，干扰观测法能快速准确进行MPPT控制，但在最大功率点附近振荡运行，稳态输出波形有一定波动;扰动步长设定无法兼顾跟踪精度和响应速度，选择不当甚至会出现电压失控现象，需进行多次尝试才能选定最佳步长;在光照强度剧烈变化时会出现误判断。

电导增量法控制效果较理想，最大功率点附近较平稳，在光照强度变化剧烈的条件下也能快速跟踪，跟踪中无明显毛刺现象。

但其算法实现时需要反复微分运算，计算量大，需要高速运算控制器，且对传感器精度要求较高，否则控制效果也不理想，出现扰动和振荡。本实验采用的控制器和传感器性能较高满足实验要求，故此问题未突显。

以模糊控制为代表的智能控制技术不需要精确研究光伏电池的具体特性和系统参数，系统控制设计灵活，稳态精度较高，控制系统鲁棒性强。

但模糊控制在光伏系统MPPT控制应用中存在动态响应较慢、适应能力有限、特定条件下易振荡等固有问题;模糊控制算法复杂，其模糊推理和解模糊过程需要完成大量浮点运算，控制系统实时性难以满足，实际应用中实现困难，采用TMS320F2812定点DSP难以实现较高控制频率，高性能控制需要更高性能的控制器，如TMS320F28335、TMS320VC33等浮点运算控制器，但系统成本较高。

神经网络控制器怎样搭建