1.3.1　神经网络控制

神经元学起源于19世纪末，是Caial于1889年创立的，他指出神经系统是由相对独立的神经细胞构成的。所谓神经网络，是指由大量与生物神经系统的神经细胞相类似的人工神经元互连而组成的网络；或由大量像生物神经元的处理单元并联而成的网络，这种神经网络具有某些智能和仿人控制功能。它可以同时接受大量信息，并且对他们进行处理，结果也是平行输出的一批信息。在系统中硬件是模仿神经细胞网络，软件则是模仿神经细胞的工作方式，即每个神经元接收信号按“乘权值后相加”确定，输出信号按阈值大小确定。这样做的优点是可以快速地处理复杂事务，但是要求在处理某一事物之前对系统进行教学，以便使系统通过学习求出权值和阈值。教学内容来自专家的经验（有教师学习）或系统期望的动态行为（无教师学习）。学习规则主要有无监督Hebb学习规则、Delta规则和有监督Hebb学习规则。

神经网络具有以下基本特性。

①并行分布处理。神经网络具有高度的并行结构和并行实现能力，因而有较好的耐故障能力和较快的总体处理能力。这特别适于实时控制和动态控制。

②非线性映射。神经网络具有固有的非线性特性，这主要是由其能充分逼近任意非线性关系的优点决定的。这一特性给解决非线性控制问题带来新的希望。

③通过训练进行学习。神经网络是通过研究系统过去的数据记录进行训练的，一个经过适当训练的神经网络具有归纳全部数据的能力。因此，神经网络能够解决那些由数学模型或描述规则难以处理的过程问题。

④适应与集成。神经网络可以进行在线训练，并能同时进行定量和定性操作。这种特性特别适于复杂、大规模和多变量系统的控制。

⑤硬件实现。神经网络不仅能够通过软件而且可以借助硬件实现并行处理，这使得神经网络的快速和大规模处理能力得以实现。

神经网络具有并行机制、模式识别、记忆和自学习能力。它能够很好地适应环境，自动学习修改过程参数，具有更高的智能性。这为智能控制系统解决复杂生产过程的自动控制问题提供了一条有效的途径。

由于神经网络在解决高度非线性和严重不确定性系统的控制问题方面具有优势，而这些正是液压气动系统所迫切需要的，因此神经网络控制在液压气动控制领域中得到了广泛的应用，如处理系统的非线性和不确定性以及逼近系统的辨识函数等。

Matsukuma等利用PID控制与神经网络进行结合，以消除系统的扰动。吕强采用了基于递归神经网络的自适应PID控制研究了气动PWM位置伺服系统。王崎对电-气位置伺服控制系统的智能控制策略进行了研究，采用了多种神经网络控制方法，取得了良好的效果。杨功军对电-气位置伺服控制系统的智能控制策略进行了研究，有效地改善了系统的静动态特性。