Page 111 - 当代控制理论及应用技术概论
P. 111
第三章 自适应控制研究
一些简单的阈值逻辑单元根据平行结构的重量可调节的连接在一起，可以接受大
量的信息，处理结果和并行输出信息。系统的硬件仿照神经细胞网络，而软件模
拟神经细胞的工作，即每个神经元接收信号，根据相应的规律输出信号。它的优
点是能快速处理复杂的控制任务。如图 1 所示是一种三层的神经网络模型
美国的科学家从大脑中的信息处理的角度来研究一些基本的生理特性方法，
利用数学模型来研究大脑细胞的运动与结构和生物神经元，提出了第一个神经网
络模型（MP 模型），开辟了神经科学研究的时代。心理学家赫布通过大脑在学
习后形成的条件反射来对神经细胞进行研究，提出了 Hebb 规则的神经元连接强
度的变化规律。人工智能神经网络系统的研究是从 20 世纪 50 年代和 60 年代初
开始进行的。计算机科学家提出了感知器模型，模拟动物和人类的认知能力和学
习能力，提出了三层感知器隐藏层处理单元的新概念。科学家们还提出了自适应
线性神经元模型，这是一个学习研究规律的有效方法。这些新的科研创举使神经
网络从理论研究进入实施阶段，从而在人工神经网络的研究领域中引发了第一个
高潮。
人工智能起初是一个基于感知器作为函数的数学研究学科，深入分析后开
发出了具有局限性的简单网络系统，并有科学家指出：感知器只有单一的求解线
性问题，解决简单的非线性问题，就必须采用多层神经网络的隐单元。在当时的
条件下，用有效的学习算法来找到一个多层神经网络是非常困难的，从而使许多
神经网络研究人员都失去了信心，使神经网络理论进入了停滞阶段。之后，科学
家们提出了新的神经网络模型，神经网络的研究取得了突破性的进展。科学家们
提出了能量函数的概念以及神经网络的稳定性判据。他们在非线性动力学的几种
神经网络模型中的优化问题的解决方案是成功的，对神经网络理论的发展产生了
深远的影响。这使得神经网络的研究的重新点燃了复兴之火。不久之后，就有其
他科学家提出了用 BP 算法来代替多层前馈反向传播算法来训练神经网络，从实
践上证明了神经网络具有很强的操作能力，其应用已经渗透到各个领域，并取得
了令人鼓舞的进展，如在智能控制，模式识别，自适应滤波和信号处理，非线性
优化，传感和机器人，生物医学工程等领域都取得了令人瞩目的伟大成就。这些
成果深化了人们对神经网络的了解。
（三）神经网络控制应用
神经网络在自动控制系统中应用方式是多种多样的，基本上可分为单神经
103
103
