机器人的神经控制系统特性和能力：并行处理能力和快速性,自适应能力和信息综合能力

基于人工神经网络的控制(ANN-based control), 简称神经控制(neurocontrol) 或 NN 控制，是智能控制的一个新的研究方向，可能成为智能控制的“后起之秀”。

神经控制是个很有希望的研究方向。这不但是由于神经网络技术和计算机技术的发展 为神经控制提供了技术基础，而且还由于神经网络具有一些适合于控制的特性和能力。这些特性和能力包括：

1)神经网络对信息的并行处理能力和快速性，适于实时控制和动力学控制。

2)神经网络的本质非线性特性，为非线性控制带来新的希望。

3)神经网络可通过训练获得学习能力，能够解决那些用数学模型或规则描述难以处理或无法处理的控制过程。

4)神经网络具有很强的自适应能力和信息综合能力，因而能够同时处理大量的不同 类型的控制输人，解决输入信息之间的互补性和冗余性问题，实现信息融合处理。这特别 适用于复杂系统、大系统和多变量系统的控制。

当然，神经控制的研究还有大量的有待解决的问题。神经网络自身存在的问题，也必 然会影响到神经控制器的性能。现在，神经控制的硬件实现问题尚未真正解决；对实用神 经控制系统的研究，也有待继续开展与加强。

由于分类方法的不同，神经控制器的结构很自然地有所不同。已经提出的神经控制的 结构方案很多，包括 NN 学习控制、 NN 直接逆控制、NN 自适应控制、NN 内模控制、 NN 预测控制、NN Z优决策控制、 NN 强化控制、CMAC 控制、分J NN 控制和多层 NN 控制等。

当受控系统的动力学特性是未知的或仅 部分已知时，需要设法摸索系统的规律性， 以便对系统进行有效的控制。基于规则的专 家系统或模糊控制能够实现这种控制。监督 (即有导师)学习神经网络控制(Supervised Neural Control,SNC)为另一实现途径。 图5-25表示监督式神经控制器的结构。 图中，含有一个导师和一个可训练控制器。 实现SNC 包括下列步骤：

1)通过传感器及传感信息处理获取必要的和有用的控制信息。

2)构造神经网络，包括选择合适的神经网络类型、结构参数和学习算法等。

3)训练SNC, 实现从输入到输出的映射，以产生正确的控制。在训练过程中，作为 导师的可以是线性控制律，或是采用反馈线性化和解耦变换的非线性反馈，也可以是以人 作为导师对 SNC 进行训练。