前言

（一）研究意義廣義的控制系統(tǒng)包括反饋控制、檢測分析、故障診斷等系統(tǒng)。經(jīng)典系統(tǒng)大多建立在確定的模型基礎(chǔ)之上，其結(jié)構(gòu)精簡、應(yīng)用廣泛。然而，上述系統(tǒng)在工程實踐中存在以下問題：一是系統(tǒng)面對內(nèi)部及外部環(huán)境的復(fù)雜多變、各環(huán)節(jié)存在大量不確定因素等問題無法智能化地自主應(yīng)對；二是日常對控制參數(shù)反復(fù)調(diào)試調(diào)優(yōu)，對系統(tǒng)各狀態(tài)檢測分析、故障診斷和處理等工作，消耗著大量人力；三是經(jīng)典系統(tǒng)的各方面性能有待提升。長期以來，上述問題一直是控制科學(xué)與工程領(lǐng)域的熱點和焦點問題，也是本書將要應(yīng)對和解決的核心問題。人工智能技術(shù)可以使機器模擬人的思維能力，解決推理、分析、判斷、尋優(yōu)等問題，為實現(xiàn)廣義控制系統(tǒng)的智能化提供理論基礎(chǔ)和方法工具。本書通過三個主要研究步驟，嘗試解決上述問題：①對經(jīng)典的人工智能方法進(jìn)行改進(jìn)和對比驗證；②將改進(jìn)的人工智能方法應(yīng)用于智能監(jiān)控系統(tǒng)的視頻分析應(yīng)用中，進(jìn)一步驗證該方法，解決廣義控制系統(tǒng)中異常檢測分析診斷方面的智能化問題；③將多種人工智能方法與經(jīng)典控制方法相結(jié)合，形成改進(jìn)（復(fù)合）的經(jīng)典控制方法，解決廣義控制系統(tǒng)中控制方法的智能化問題，即解決控制參數(shù)在線整定問題，提升控制系統(tǒng)各項性能。（二）研究內(nèi)容本書的主要內(nèi)容如下：1．提出了經(jīng)典控制系統(tǒng)存在的問題，對國內(nèi)外現(xiàn)有的人工智能、智能系統(tǒng)和先進(jìn)控制領(lǐng)域的主要研究成果和方法進(jìn)行調(diào)查、對比研究，明確了研究思路和技術(shù)路線。2．為得到具有更好特性的人工智能方法，提出將小波分析變換融入BPNN和RBFNN混合結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)隱含層，同時增加訓(xùn)練樣本集自適應(yīng)機制，形成自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)（AWNN）的方法。通過理論推導(dǎo)、與BPNN和RBFNN方法進(jìn)行計算機仿真對比分析，驗證AWNN方法在學(xué)習(xí)速度、分辨率和精度、訓(xùn)練成功率方面的提升，以及不同的學(xué)習(xí)效率、慣性系數(shù)、目標(biāo)誤差參數(shù)對訓(xùn)練結(jié)果的影響。3．為進(jìn)一步驗證AWNN的特性，解決廣義控制系統(tǒng)中的異常檢測分析應(yīng)用中的智能化問題，提出將AWNN應(yīng)用到智能視頻分析系統(tǒng)中進(jìn)行驗證的方案。通過計算機仿真對比分析，進(jìn)一步驗證了在高維神經(jīng)網(wǎng)絡(luò)輸入的情況下，自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度、分辨率和精度、訓(xùn)練成功率方面的提升。通過視頻分析系統(tǒng)軟硬件聯(lián)調(diào)測試，驗證了自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)在處理分類識別方面應(yīng)用的可用性，在一定程度上解決了廣義的控制系統(tǒng)中異常檢測分析診斷方面的智能化問題。4．為解決經(jīng)典控制方法和系統(tǒng)無法智能化應(yīng)對控制系統(tǒng)的不確定性、非線性、復(fù)雜性和參數(shù)調(diào)試重復(fù)性問題，提出了第一類基于神經(jīng)網(wǎng)絡(luò)的控制參數(shù)在線整定方法（AWNN-PID），并為提升算法性能引入了預(yù)測方法，提出了基于向量時間序列預(yù)測和神經(jīng)網(wǎng)絡(luò)的控制參數(shù)在線整定方法（VARMA-AWNN-PID）。通過算法理論推導(dǎo)、穩(wěn)定性和穩(wěn)態(tài)性理論分析，以及與BPNN-PID、RBFNN-PID進(jìn)行階躍響應(yīng)、穩(wěn)定性保障、抗擾、斜坡響應(yīng)、加速度響應(yīng)等計算機仿真對比研究，最終驗證了新方法在動態(tài)性能、穩(wěn)態(tài)性能、抗干擾能力、跟蹤能力方面的提升。5．為更全面地驗證控制參數(shù)在線整定方法，提出并實現(xiàn)了第二類基于專家規(guī)則或模糊推理機制的控制參數(shù)在線整定方法的改進(jìn)方案。在現(xiàn)有的E-PID、F-PID方法的基礎(chǔ)上，把原有的通過直接查詢計算控制參數(shù)的方式改進(jìn)為通過變化率調(diào)整控制參數(shù)的方式，再通過引入預(yù)測機制，先后實現(xiàn)了EA-PID、FA-PID、VARMA-EA-PID、VARMA-FA-PID方法。通過理論推導(dǎo)和計算機仿真實驗，驗證了上述方法在動態(tài)性能、穩(wěn)態(tài)誤差、抗干擾能力等方面的提升。6．將上述第一類基于神經(jīng)網(wǎng)絡(luò)的控制參數(shù)在線整定方法與第二類基于專家規(guī)則或模糊推理機制的控制參數(shù)在線整定方法進(jìn)行比較研究，總結(jié)兩類方法各自的優(yōu)勢和問題，提出不同方法在系統(tǒng)的智能和性能方面的分析結(jié)果和適用原則，在一定程度上解決了控制系統(tǒng)的不確定性、非線性、復(fù)雜性和參數(shù)調(diào)試重復(fù)性等問題。（三）研究價值本書的價值與創(chuàng)新點主要體現(xiàn)在以下三個方面：1�毕到y(tǒng)地描述了預(yù)測與神經(jīng)網(wǎng)絡(luò)計算智能與經(jīng)典PID控制相結(jié)合的方法；2�毕到y(tǒng)地描述了預(yù)測與模糊計算智能復(fù)合經(jīng)典PID控制方法與實現(xiàn)；3�痹敿�(xì)地給出上述方法的改進(jìn)過程、Matlab計算機仿真和具體實施過程。