人工智能控制器

人工智能一直都處于計算機技術的前沿，經(jīng)歷了幾起幾落，長久以來，人工智能對于普通人來說是那樣的可望而不可及，然而它卻吸引了無數(shù)研究人員為之奉獻才智，隨著現(xiàn)代控制理論的發(fā)展，控制器設計的常規(guī)技術正逐漸被廣泛使用的人工智能軟件技術所替代。不同的人工智能控制通常用完全不同的方法去討論。但AI控制器例如：神經(jīng)、模糊、模糊神經(jīng)，以及遺傳算法都可看成一類非線性函數(shù)近似器

在各種出版物中，介紹了許多被模糊化的控制器，但這應與“充分模糊”控制器完全區(qū)分開來，“充分模糊”控制器才是完全意義上的模糊控制器，被模糊化的控制器易于實現(xiàn)，往往通過改造現(xiàn)有古典控制器得以實現(xiàn)，如被模糊化的PI控制器（FPIC）使用模糊邏輯改變控制器的比例、積分參數(shù)，從而使系統(tǒng)的性能得到提高

誤差反向傳播技術是多層前聵ANN常用的學習技術。如果網(wǎng)絡有足夠多的隱藏層和隱藏結點以及適宜的激勵函數(shù)，多層ANN只能實現(xiàn)需要的映射，沒有直接的技術選擇優(yōu)隱藏層、結點數(shù)和激勵函數(shù)，通常用嘗試法解決這個問題，反向傳播訓練算法是基本的快下降法，輸出結點的誤差反饋回網(wǎng)絡，用于權重調整，搜索優(yōu)。

運用常規(guī)反向傳播學習算法。該系統(tǒng)由兩個子系統(tǒng)構成，一個系統(tǒng)通過電氣動態(tài)參數(shù)的辯識自適應控制定子電流，另一個系統(tǒng)通過對機電系統(tǒng)參數(shù)的辯識自適應控制轉子速度。后值得指出的是現(xiàn)在發(fā)表的大多數(shù)有關ANN對各種電機參數(shù)估計的，一個共同的特點是，它們都是用多層前饋ANNS，用常規(guī)反向傳播算法，只是學習算法的模型不同或被估計的參數(shù)不同。