人工智能控制器

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。這樣的分類就能得到較好的總體理解，也有利于控制策略的統(tǒng)一開發(fā)。這些AI函數(shù)近似器比常規(guī)的函數(shù)估計器具有更多的優(yōu)勢，它們的設(shè)計不需要控制對象的模型（在許多場合，很難得到實際控制對象的動態(tài)方程，實際控制對象的模型在控制器設(shè)計時往往有很多不確實性因素，例如：參數(shù)變化，非線性時，往往不知道）。

使用常規(guī)反向轉(zhuǎn)波算法的ANN用于步進電機控制算法的優(yōu)化。該方案使用實驗數(shù)據(jù)，根據(jù)負載轉(zhuǎn)矩和初始速度來確定大可觀測速度增量。這就需要ANN學(xué)習(xí)三維圖形映射。該系統(tǒng)與常規(guī)控制算法(梯形控制法)相比具有更好的性能，并且大大減少了定位時間，對負載轉(zhuǎn)矩的大范圍變化和非初始速度也有滿意的控制效果。

運用常規(guī)反向傳播學(xué)習(xí)算法。該系統(tǒng)由兩個子系統(tǒng)構(gòu)成，一個系統(tǒng)通過電氣動態(tài)參數(shù)的辯識自適應(yīng)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(yīng)控制轉(zhuǎn)子速度。后值得指出的是現(xiàn)在發(fā)表的大多數(shù)有關(guān)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(xué)習(xí)算法的模型不同或被估計的參數(shù)不同。