針對倒立擺系統(tǒng)，提出了在結(jié)構(gòu)上可生長的神經(jīng)網(wǎng)絡控制方案。網(wǎng)絡利用細胞生長結(jié)構(gòu)算法，在工作域中實現(xiàn)對狀態(tài)變量的模式分類，并通過新神經(jīng)元的插入實現(xiàn)網(wǎng)絡規(guī)模的生長演化。在輸出域中針對倒立擺控制任務采用強化Hebb 學習機制，實現(xiàn)不同的神經(jīng)元以最佳方式響應不同性質(zhì)的信號刺激。仿真表明，通過神經(jīng)網(wǎng)絡自身的發(fā)育，該方案有效控制了倒立擺系統(tǒng)。
神經(jīng)網(wǎng)絡具有分布信息存儲、自適應和自學習功能強等優(yōu)點，被廣泛應用于非線性控制
領(lǐng)域，倒立擺系統(tǒng)是智能控制中的一個典型問題，它是一個自然不穩(wěn)定體，倒立擺的神經(jīng)網(wǎng)絡控制研究取得了很大進展。1998 年，蔣國飛等[1]通過訓練BP 網(wǎng)絡來逼近Q 值函數(shù)，并利用BP 網(wǎng)絡的泛化能力，實現(xiàn)了基于Q 學習算法的狀態(tài)未離散化的確定和隨機倒立擺的無模型學習控制。2000 年，Si 等[2]將神經(jīng)網(wǎng)絡理論與增強學習相結(jié)合，提出了一種在線學習系統(tǒng)，通過自身偏差不斷學習，系統(tǒng)狀態(tài)被學習過程所儲存。
但是現(xiàn)有的控制方案中所采用的多為事先規(guī)定結(jié)構(gòu)和規(guī)模神經(jīng)網(wǎng)絡，其本身在處理映射
問題上就會存在很多局限。B. Fritzke (1994) 提出一種細胞生長結(jié)構(gòu) (Growing Cell Structure)[3]，以自組織特征映射算法為基礎，但比它優(yōu)越在可以自動找到合適的網(wǎng)絡規(guī)模，這種結(jié)構(gòu)是通過節(jié)點增長的方式來實現(xiàn)的.
本文結(jié)合細胞生長結(jié)構(gòu)的這一顯著優(yōu)勢，針對倒立擺這樣的典型控制問題，提出了在結(jié)
構(gòu)上可生長的神經(jīng)網(wǎng)絡控制方案。網(wǎng)絡利用細胞生長結(jié)構(gòu)算法，在工作域中實現(xiàn)對狀態(tài)變量的模式分類，并通過新神經(jīng)元的插入實現(xiàn)網(wǎng)絡規(guī)模的生長演化。在輸出域中針對倒立擺控制任務采用強化Hebb學習機制，實現(xiàn)不同的神經(jīng)元以最佳方式響應不同性質(zhì)的信號刺激。仿真表明，通過神經(jīng)網(wǎng)絡自身的發(fā)育，該方案有效控制了倒立擺系統(tǒng)。