1。2 课题的研究意义

1。2。1 感知模式识别

通过对神经网络的不断调试，人们针对其提出了信号、图像、语音、声纳等容易 发现与采集的模式特点，并且还能够处理已有的系统不好处理的难题，就如同对一些 不会改变的物理量的研究、对新的事物的适应能力，以及没有实物的概念的总结等等， 神经网络已在遥控感知方面、计算机的视觉方面、语音识别方面、医学图像分析方面 以及计算机输入装置方面有了不同于以往的运用。

1。2。2 具有容错和容差能力

由于每个神经元以及每个连接对于网络整体的功能的贡献比较微小，所以，如果 少量神经元和连接发生故障对其整体功能的影响也是比较小的。另外，由于神经元激 活函数的“压扁”特性，以及较高的几率让它把对自己的影响减小到几近于没有的地 步，以此来提高它的鲁棒性。除此之外，因为输入向量可以细分为很多不同的分向量， 而又由于分向量很小，所以当我们只看其中一个时，它对整体的作用是特别细微的， 因此，如果少量的出现了误差，其对整体的影响也是可以忽略的。于此同时，激活函 数的“压扁”特性也能够把它减小到最小的地步，让整体的容差能力得到提升。

1。2。3  神经网络在工作时具有高速度以及潜在的超高速文献综述

数据处理的超大规摸并行性以及数据存储分布性是神经网络体系的结构有两大

特性。它完全消除了丁冯·诺依曼体系结构中存在的处理器一存储器瓶颈，因而它在 工作时就具有了高速度。同样的，如果使用 VLSI 技术或者光学技术后实现了神经网 络(这是可能的)。神经同络的工作过程就将成为实际的系统状态的演化过程 。

1。3 课题目前研究现状

1。3。1 采用神经元网络确定 PID 参数

1。3。2 单神经元结构的 PID 控制器

1。4 本文的主要任务及研究内容

1。4。1 分析了传统控制的局限性

传统的控制方式对于线性时不变或近似线性的单变量的系统控制是有效果的，然 而对于非线性的、多变量的、时变的或者复杂系统的控制就十分困难，对于其参数以 及结构都未知的控制系统也无能为力。主要原因是因为传统的控制都是基于模型控制， 传统的控制器的设计前提是被控系统的特性全部已知并且能通过精确的数学模型来 描述，并且只对能用线性模型描述的对象的控制方式是比较成熟的。由于在实际的控 制系统中，被控对象的已知性、时不变性以及线性等条件通常很难全部得到满足，这 一缺陷限制了传统控制在实际中的应用范围，对于建立以及发展新的控制理论与相应 的控制方法起到了促进作用。来;自]优Y尔E论L文W网www.youerw.com +QQ752018766-

1。4。2 分析了神经网络应用于控制中的不足之处

神经网络的基本特点是它具有非线性特征和并行的结构以及它的自学习功能，使 其可以对那些不易用精确模型描述的系统进行模拟，使其在复杂系统的控制方面有显 著优势。然而，传统的神经网络也存在一些缺陷，比如说收敛速度相对较慢，学习时间相对更长，结构的选取很大程度上依靠经验以及试验，连接的权重初值很大程度上 是随机选取的，往往易陷入局部最优、网络的静态特性以及动态的控制性能之间存在 矛盾，神经元网络的结构、参数、机能不易和控制系统的性能问题相对应。这些不足 的地方使传统的神经网络不易在控制系统中得到广泛的应用。

1。4。3 分析了传统 PID 控制的特点及其改进方法的研究现状