6、自适应、人工智能与非线性方法结合的容错控制及语言学习研究

自适应、人工智能与非线性方法结合的容错控制及语言学习研究

1. 神经网络相关内容

神经网络若具有多个输入层神经元、一个称为隐藏层的中间层和一个输出层，则被命名为多层神经网络。此外，神经网络可以有反馈或前馈结构。在反馈结构中，信息可以前后移动；而在前馈结构中，信息仅从输入节点向前移动到输出节点，网络中无循环。神经网络需要通过示例进行训练，这一过程称为监督学习。只有当网络能从给定输入重现期望输出时，训练才算成功。最常见的学习方法是反向传播算法，该算法通过迭代确定神经网络的权重，直至网络输出与期望输出相同。

为创建和训练神经网络控制器，引入了原始过程输入以及期望输出。所创建的神经网络是一个两层前馈神经网络，具有20个Sigmoid隐藏神经元和一个线性输出神经元。使用Levenberg - Maquard反向传播算法进行训练，该算法结合了高斯 - 牛顿法和梯度下降法的优点，分别整合了梯度下降法和高斯 - 牛顿法的全局和局部收敛特性。

2. 遗传算法

遗传算法是受自然选择进化和自然遗传学启发的搜索和优化算法。最简单的遗传算法步骤如下：
1. 生成随机的初始染色体种群（潜在解决方案）。
2. 计算种群中每个染色体的适应度。
3. 应用选择、交叉和变异操作。
4. 用新种群替换当前种群，直到获得所需解决方案。

遗传算法的主要优点包括：强大的计算效果、鲁棒性、容错性、能快速收敛到全局最优、可在适应度函数不连续的复杂环境中搜索、可与传统优化技术（如禁忌搜索）结合，且无需人类专家即可解决问题。

在实验中，通过遗传算法模式搜索获取PID控制器的参数，以跟踪期望的系统轨迹。首先将系统的期望参数设定为模