【方向学习】智能化控制技术
一、基本概念和观点、目的和意义
智能控制技术(ICT:Intelligent Control Technology)是控制理论发展的新阶段,主要用来解决那些用传统方法难以解决的复杂系统的控制问题。常用的智能技术包括模糊逻辑控制、神经网络控制、专家系统、学习控制、分层递阶控制、遗传算法等。以智能控制为核心的智能控制系统具备一定的智能行为,如:自-学习、自适应、自组织等。
智能控制技术给我的感觉是用在大型工业的比较多，使用了智能控制技术来减小误差生产出更加精密的仪器、输出更稳定的功率、满足各种需要。那智能控制技术应用于弱电方面又如何呢？网上资料很少。目前智能控制技术的应用还很少。
二、基本内容
常用的智能技术包括模糊逻辑控制、神经网络控制、专家系统、学习控制、分层递阶控制、遗传算法。
1.模糊逻辑：也称弗晰逻辑（建立在二值逻辑基础上的原有的逻辑与数学难以描述和处理现实世界中许多模糊性的对象。弗晰数学与弗晰逻辑实质上是要对模糊性对象进行精确的描述和处理。查德为了建立模糊性对象的数学模型，把只取0和1二值的普通集合概念推广为在[0，1]区间上取无穷多值的模糊集合概念，并用“隶属度”这一概念来精确地刻画元素与模糊集合之间的关系。）。建立在多值逻辑基础上，运用弗晰（模糊）集合的方法来研究模糊性思维、语言形式及其规律的科学。模糊逻辑指模仿人脑的不确定性概念判断、推理思维方式，对于模型未知或不能确定的描述系统，以及强非线性、大滞后的控制对象，应用模糊集合和模糊规则进行推理，表达过渡性界限或定性知识经验，模拟人脑方式，实行模糊综合判断，推理解决常规方法难于对付的规则型模糊信息问题。模糊逻辑善于表达界限不清晰的定性知识与经验，它借助于隶属度函数概念，区分模糊集合，处理模糊关系，模拟人脑实施规则型推理，解决因“排中律”的逻辑破缺产生的种种不确定问题 。
2.神经网络控制：人工神经网络（artificial neural network，缩写ANN），简称神经网络（neural network，缩写NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。
根据《人工智能的未来》一书，书中认为神经网络模仿人类大脑，必须有三个必不可少的特征：1.大脑功能的时间概念。真正的大脑快速大量地不断处理信息流，在这些输入和输出信息流中没有任何东西是静止不动的。2.反馈。反向传递的神经元要比向前传递多一个数量级。比如有一根神经元向大脑皮层输入信息，就有十根神经元向感觉器官传递信息。反馈也通过大脑皮层控制了大部分连接。3.任何关于大脑的模型和理论都应该能够解释大脑的结构。新大脑皮层并不是个简单的构造，它是由一个不断重复的层级结构组成，任何神经网络如果对这一结构认识不足的话，就无法像大脑一样工作。
3.专家系统（感觉是百度知道的升级版）：是一种在特定领域内具有专家水平解决问题能力的程序系统。它能够有效地运用专家多年积累的有效经验和专门知识，通过模拟专家的思维过程，解决需要专家才能解决的问题。
专家系统(ES)的特点
(1)为解决特定领域的具体问题，除需要一些公共的常识，还需要大量与所研究领域问题密切相关的知识；
(2)一般采用启发式的解题方法；
(3)在解题过程中除了用演绎方法外，有时还要求助于归纳方法和抽象方法；
(4)需处理问题的模糊性、不确定性和不完全性；
(5)能对自身的工作过程进行推理(自推理或解释)；
(6)采用基于知识的问题求解方法；
(7)知识库与推理机分离。
专家系统(ES)的发展
目前的专家系统发展确实存在着一些限制，在未来的年代中，许多今日专家系统缺失将会被改善，相信未来专家系统应该继续研究的项目有:具有处理常识的能力；发展深层的推论系统；不同层次解释的能力；使专家系统具有学习的能力；分布式专家系统；轻易获取与更新知识的能力。（结合学习控制和神经网络？）
未来发展的专家系统，能经由感应器直接由外界接受资料，也可由系统外的知识库获得资料，在推理机中除推理外，上能拟定规划，仿真问题状况等。知识库所存的不只是静态的推论规则与事实，更有规划、分类、结构模式及行为模式等动态知识。
4.学习控制：靠自身的学习功能来认识控制对象和外界环境的特性，并相应地改变自身特性以改善控制性能的系统。这种系统具有一定的识别、判断、记忆和自行调整的能力。实现学习功能可有多种方式。根据是否需要从外界获得训练信息，学习控制系统的学习方式分为受监视学习和自主学习两类。
受监视学习
这种学习方式除一般的输入信号外，还需要从外界的监视者或监视装置获得训练信息。所谓训练信息是用来对系统提出要求或者对系统性能作出评价的信息。如果发现不符合监视者或监视装置提出的要求，或受到不好的评价，系统就能自行修正参数、结构或控制作用。不断重复这种过程直至达到监视者的要求为止。当对系统提出新的要求时，系统就会重新学习。
自主学习
简称自学习。这是一种不需要外界监视者的学习方式。只要规定某种判据（准则），系统本身就能通过统计估计、自我检测、自我评价和自我校正等方式不断自行调整，直至达到准则要求为止。这种学习方式实质上是一个不断进行随机尝试和不断总结经验的过程。因为没有足够的先验信息，这种学习过程往往需要较长的时间。
在实际应用中，为了达到更好的效果常将两种学习方式结合起来。学习控制系统按照所采用的数学方法而有不同的形式，其中最主要的有采用模式分类器的训练系统和增量学习系统在学习控制系统的理论研究中,贝叶斯估计、随机逼近方法和随机自动机理论，都是常用的理论工具。
5.分层递阶智能控制：分层递阶是人们分析和组织复杂系统的一种常用方法。 无论是信息分析、还是行为控制，都有其层次性，在高层负责宏观的信息和决策层负责具体的数据和控制。
6.遗传算法是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。
遗传算法广泛应用在生物信息学、系统发生学、计算科学、工程学、经济学、化学、制造、数学、物理、药物测量学和其他领域之中。
遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。
其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
三，应用与延伸
智能化控制技术不仅可以改变工业面貌，更或许能够提升计算机软件的灵活度。作为一个新兴学科，智能控制技术大多用于工业生产。但是，智能控制技术也能走进千家万户，运用在各种电器中，变成家庭管家。运用在各种民用设备中。结合了各种智能化算法的程序，或许能给我们意想不到的答案。
