神经网络控制在理论和实践上，以下问题是研究 的重点： ()神经网络的稳定性与收敛性问题； (2)神经网络控制系统的稳定性与收敛性问题； (3)神经网络学习算法的实时性； (4)神经网络控制器和辨识器的模型和结构
神经网络控制在理论和实践上，以下问题是研究 的重点： (1) 神经网络的稳定性与收敛性问题； (2) 神经网络控制系统的稳定性与收敛性问题； (3) 神经网络学习算法的实时性； (4) 神经网络控制器和辨识器的模型和结构
9.2神经网络控制结构 根据神经网络在控制器中的作用不同，神经网络控 制器可分为两类，一类为神经控制，它是以神经网络为 基础而形成的独立智能控制系统；另一类为混合神经网 络控制，它是指利用神经网络学习和优化能力来改善传 统控制的智能控制方法，如自适应神经网络控制等。 综合目前的各种分类方法，可将神经网络控制的结 构归结为以下七类
根据神经网络在控制器中的作用不同，神经网络控 制器可分为两类，一类为神经控制，它是以神经网络为 基础而形成的独立智能控制系统；另一类为混合神经网 络控制，它是指利用神经网络学习和优化能力来改善传 统控制的智能控制方法，如自适应神经网络控制等。 综合目前的各种分类方法，可将神经网络控制的结 构归结为以下七类。 9.2 神经网络控制结构
9.2.1神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐 取代传统控制器的方法，称为神经网络监督控制。神经网络监 督控制的结构如图9-1所示。 神经网络控制器实际上是一个前馈控制器，它建立的是被 控对象的逆模型。神经网络控制器通过对传统控制器的输出进 行学习，在线调整网络的权值，使反馈控制输入趋近于零，从 而使神经网络控制器逐渐在控制作用中占据主导地位，最终取 消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起 作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系 统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应 能力
9.2.1 神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐 取代传统控制器的方法，称为神经网络监督控制。神经网络监 督控制的结构如图9-1所示。 神经网络控制器实际上是一个前馈控制器，它建立的是被 控对象的逆模型。神经网络控制器通过对传统控制器的输出进 行学习，在线调整网络的权值，使反馈控制输入趋近于零，从 而使神经网络控制器逐渐在控制作用中占据主导地位，最终取 消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起 作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系 统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应 能力
u,( NNc y.() e(t) 控制器 对象 4) u() 图9-1神经网络监督控制
NNC 控制器 对象 + - + + y t d et yt u t n u t p ut 图9-1 神经网络监督控制
9.2.2神经网络直接逆动态控制 神经网络直接逆控制就是将被控对象的神经网络 逆模型直接与被控对象串联起来，以便使期望输出与 对象实际输出之间的传递函数为1。则将此网络作为前 馈控制器后，被控对象的输出为期望输出。 显然，神经网络直接逆控制的可用性在相当程度 上取决于逆模型的准确精度。由于缺乏反馈，简单连 接的直接逆控制缺乏鲁棒性。为此，一般应使其具有 在线学习能力，即作为逆模型的神经网络连接权能够 在线调整