單位：西安交通大學(xué)人工智能與機(jī)器人研究所 西安 710049 （E-mail: nnzheng@mail.xjtu.edu.cn） 摘 要 簡要介紹了控制科學(xué)的發(fā)展?fàn)顩r；討論了傳統(tǒng)控制理論在解決實(shí)際問題中的一些局限性以及控制科學(xué)當(dāng)前面臨的挑戰(zhàn)；闡述了控制科學(xué)與人工智能和認(rèn)知科學(xué)等新興學(xué)科的結(jié)合將對(duì)處理復(fù)雜系統(tǒng)和社會(huì)經(jīng)濟(jì)中的一些重大課題提供有價(jià)值的科學(xué)理論和方法；強(qiáng)調(diào)了控制科學(xué)的進(jìn)一步發(fā)展仍然要依賴于重大需求導(dǎo)向，使其在我國信息化帶動(dòng)工業(yè)化和現(xiàn)代化的進(jìn)程中發(fā)揮重要的作用。 關(guān)鍵詞 經(jīng)典控制，智能控制，人工智能，智能信息處理 A Survey Of Control Science And Technology ZHENG Nan-Ning JIA Xin-Chun YUAN Ze-Jian （Institute of the artificial Intelligence and Robotics, Xi’an Jiaotong University, Xi’an 710049） （E-mail: nnzheng@mail.xjtu.edu.cn） Abstract In this paper, the development of control science is briefly introduced, and the limitations of traditional control theory and the challenge that control science faces are discussed. It is shown that integrating control science with artificial intelligence and cognitive science will provide valuable theories and methods for solving some important and knotty problems in complex systems and social economy. To insist on the demand-driven policy for further developing control science and technology will play an increasingly important role in the process of promoting and accelerating Chinese information industrialization and driving industrialization and modernization by information. Key words Classical control, intelligence control, artificial intelligence, intelligence information processing 1 控制科學(xué)與技術(shù)的發(fā)展?fàn)顩r 控制科學(xué)與技術(shù)在20世紀(jì)的人類科技進(jìn)步中起到了舉足輕重的作用，為了解決當(dāng)今社會(huì)的許多挑戰(zhàn)性問題產(chǎn)生了積極的影響，提供了科學(xué)的思想方法論；為許多產(chǎn)業(yè)領(lǐng)域?qū)崿F(xiàn)自動(dòng)化奠定了理論基礎(chǔ)，提供了先進(jìn)的生產(chǎn)技術(shù)和先進(jìn)的控制儀器及裝備。特別是數(shù)字計(jì)算機(jī)的廣泛使用，為控制科學(xué)與技術(shù)開辟了更廣泛的應(yīng)用領(lǐng)域。 回顧近百年來的工程技術(shù)的發(fā)展，可以看到，20世紀(jì)的控制科學(xué)與技術(shù)是在實(shí)踐的重大需求驅(qū)動(dòng)下快速發(fā)展的，他經(jīng)歷了若干重要的發(fā)展時(shí)期，如20世紀(jì)初的Lyapunov穩(wěn)定理論和PID控制律概念；20年代的反饋放大器；30年代的Nyquist與Bode圖；40年代維納的控制論；50年代貝爾曼動(dòng)態(tài)規(guī)劃理論和龐特里亞金極大值原理；60年代卡爾曼濾波器、系統(tǒng)狀態(tài)空間法、系統(tǒng)能控性和能觀性；70年代的自校正控制和自適應(yīng)控制；80年代針對(duì)系統(tǒng)不確定狀況的魯棒控制；90年代基于智能信息處理的智能控制理論。中國控制學(xué)科界的許多學(xué)者為控制理論和技術(shù)的發(fā)展也做出重要的貢獻(xiàn)[1, 2]。隨著計(jì)算機(jī)科學(xué)、網(wǎng)絡(luò)和智能信息處理技術(shù)的進(jìn)步，以及社會(huì)生產(chǎn)力發(fā)展的強(qiáng)烈需求，在如何解決日益增加的復(fù)雜系統(tǒng)、網(wǎng)絡(luò)系統(tǒng)、多傳感器信息融合、生物、基因、量子計(jì)算、社會(huì)經(jīng)濟(jì)與生態(tài)等重大問題上，控制科學(xué)和自動(dòng)化領(lǐng)域的研究者們?cè)?1世紀(jì)初面臨著更重大的、更為迫切的挑戰(zhàn)。 近30年來，控制科學(xué)在非線性系統(tǒng)控制、分布參數(shù)系統(tǒng)控制、系統(tǒng)辨識(shí)、隨機(jī)與自適應(yīng)控制、魯棒控制、離散事件系統(tǒng)和混合系統(tǒng)、智能控制等研究方向上取得了許多重要進(jìn)展。在21世紀(jì)初的十幾年，這些方向仍將是控制科學(xué)發(fā)展的主要研究方向[1, 2]，它們之間的交叉與結(jié)合，將形成許多應(yīng)用性更強(qiáng)的重要研究方向。 非線性控制是控制理論中一個(gè)重要的研究分支[3]，目前在該方向的一些研究成果已應(yīng)用于機(jī)器人、直升飛機(jī)與電力系統(tǒng)控制等實(shí)際控制工程中[4-8]?？梢灶A(yù)見，非線性控制理論的進(jìn)一步發(fā)展，將對(duì)多機(jī)器人系統(tǒng)協(xié)調(diào)操作與大型網(wǎng)絡(luò)穩(wěn)定安全為背景的非線性系統(tǒng)的控制工程等產(chǎn)生重大影響?；煦缦到y(tǒng)作為非線性系統(tǒng)的重要組成部分，在混沌生成、混沌抑制、混沌同步化、混沌通訊應(yīng)用以及混沌信息編碼等方面已經(jīng)取得一些突破性的進(jìn)展[5-7]。這些研究成果將對(duì)復(fù)雜系統(tǒng)的深入研究提供了有意義的借鑒。 自20世紀(jì)70年代開始，國內(nèi)外學(xué)者開始重視分布參數(shù)系統(tǒng)的研究。分布參數(shù)系統(tǒng)是無窮維系統(tǒng)，一般由偏微分方程、積分方程、泛函微分方程或抽象空間中的微分方程所描述[9, 10]。我國學(xué)者在細(xì)長體彈性振動(dòng)系統(tǒng)的建模和振動(dòng)控制、振動(dòng)系統(tǒng)的譜分析、能控性和反饋鎮(zhèn)定、一般無窮維系統(tǒng)的極大值原理、人口系統(tǒng)控制、人口預(yù)測(cè)和控制等方面都做出了重要貢獻(xiàn)。 由于實(shí)際系統(tǒng)的復(fù)雜性，人們往往很難（或不可能）從基本的物理定律出發(fā)直接推導(dǎo)出系統(tǒng)的數(shù)學(xué)模型，這就需要利用可以測(cè)量的系統(tǒng)輸入和輸出數(shù)據(jù)，來構(gòu)造系統(tǒng)內(nèi)結(jié)構(gòu)及參數(shù)的估計(jì)，并研究估計(jì)的可靠性和精度等問題，這就是系統(tǒng)辨識(shí)的任務(wù)。20世紀(jì)90年代，線性系統(tǒng)辨識(shí)理論趨于成熟，而非線性系統(tǒng)的辨識(shí)仍處于發(fā)展階段。近10年來，系統(tǒng)辨識(shí)領(lǐng)域有3個(gè)熱點(diǎn)研究方向：基于魯棒控制的數(shù)學(xué)模型要求的魯棒辨識(shí)，基于特殊信號(hào)驅(qū)動(dòng)下的系統(tǒng)辨識(shí)[11]和基于智能信息處理的非線性系統(tǒng)辨識(shí)[12, 13]。 當(dāng)實(shí)際系統(tǒng)受到的外界干擾和系統(tǒng)模型誤差被看作為隨機(jī)噪聲時(shí)，我們把這類系統(tǒng)稱為隨機(jī)系統(tǒng)[14]。近年來，在非線性濾波、隨機(jī)極大值原理、隨機(jī)最優(yōu)控制綜合等方面已有新的進(jìn)展。人們?yōu)榱藢で竽軌驅(qū)嶋H應(yīng)用并且性能良好的控制算法，由“分離思想”和“必然等價(jià)思想”發(fā)展了自適應(yīng)控制的理論和方法[15]。在科學(xué)研究和工程實(shí)踐中，自適應(yīng)算法已經(jīng)成為一種非常有效的重要方法。 一般地，系統(tǒng)的數(shù)學(xué)模型與實(shí)際系統(tǒng)存在著參數(shù)或結(jié)構(gòu)等方面的差異，而我們?cè)O(shè)計(jì)的控制律大多都是基于系統(tǒng)的數(shù)學(xué)模型，為了保證實(shí)際系統(tǒng)對(duì)外界干擾、系統(tǒng)的不確定性等有盡可能小的敏感性，導(dǎo)致了研究系統(tǒng)魯棒控制問題。近年來，對(duì)非線性系統(tǒng)的魯棒適應(yīng)控制[16]的研究已成為一個(gè)熱點(diǎn)方向。人工神經(jīng)網(wǎng)方法、滑動(dòng)模（sliding-mode）方法及魯棒控制方法的結(jié)合可以設(shè)計(jì)出對(duì)一大類連續(xù)時(shí)間非線性系統(tǒng)穩(wěn)定的自適應(yīng)控制律[17]。20世紀(jì)80年代出現(xiàn)的H∞設(shè)計(jì)方法和變結(jié)構(gòu)控制（滑摸控制）推動(dòng)了魯棒控制理論的發(fā)展[18.19]?，F(xiàn)在，系統(tǒng)H∞范數(shù)已成為系統(tǒng)的重要性能指標(biāo)[20]。如何有效利用過程信息來降低系統(tǒng)的不確定性，是魯棒控制研究的重要內(nèi)容。由于許多控制問題可歸結(jié)為線性矩陣不等式（LMI）的研究，20世紀(jì)90年代中期出現(xiàn)了關(guān)于LMI的控制軟件工具。近幾年，非線性系統(tǒng)、時(shí)滯飽和系統(tǒng)、時(shí)滯故障系統(tǒng)的魯棒綜合控制問題已經(jīng)成為新的熱點(diǎn)研究方向[21-25]，而且已經(jīng)有不少應(yīng)用實(shí)例，例如，核反應(yīng)堆的溫度跟蹤魯棒控制、導(dǎo)彈系統(tǒng)的魯棒自適應(yīng)最優(yōu)跟蹤設(shè)計(jì)、機(jī)器人操作的魯棒神經(jīng)控制[26-29]。 系統(tǒng)的狀態(tài)隨離散事件發(fā)生而瞬時(shí)改變，不能用通常的動(dòng)態(tài)方程來描述，一般稱這類系統(tǒng)為離散事件動(dòng)態(tài)系統(tǒng)（DEDS）[30]。對(duì)它的研究始于20世紀(jì)80年代初。目前已發(fā)展了多種處理離散事件系統(tǒng)的方法和模型，例如有限狀態(tài)馬爾科夫鏈、Petri網(wǎng)、排隊(duì)網(wǎng)絡(luò)、自動(dòng)機(jī)理論、擾動(dòng)分析法、極大代數(shù)法等。其理論已經(jīng)應(yīng)用于柔性制造系統(tǒng)、計(jì)算機(jī)通信系統(tǒng)、交通系統(tǒng)等。離散事件系統(tǒng)的研究雖然取得較大進(jìn)展，但還沒有一套完整的理論體系來評(píng)價(jià)離散時(shí)間系統(tǒng)模型與實(shí)際對(duì)象的差異。離散事件動(dòng)態(tài)系統(tǒng)自然延伸就是混合動(dòng)態(tài)系統(tǒng)。 包含離散事件動(dòng)態(tài)系統(tǒng)（DEDS）和連續(xù)變量動(dòng)態(tài)系統(tǒng)（CVDS）、兩者又相互耦合作用的系統(tǒng)稱為混合動(dòng)態(tài)系統(tǒng)（HDS）。關(guān)于混合系統(tǒng)最早的文獻(xiàn)出現(xiàn)在1966年[31]。1979年瑞典人Cellier[8]首先引入混合系統(tǒng)結(jié)構(gòu)的概念，把系統(tǒng)分為離散、連續(xù)和接口3個(gè)部分。1989年Golli[32]針對(duì)計(jì)算機(jī)磁盤驅(qū)動(dòng)器模型引入混合系統(tǒng)的概念，把連續(xù)部分和接口部分結(jié)合起來進(jìn)行研究。雖然混合系統(tǒng)的研究取得了一些成果，但仍處于發(fā)展階段，其理論和應(yīng)用研究仍是未來幾年的研究熱點(diǎn)。最近，混合系統(tǒng)的離散監(jiān)督控制、離散時(shí)間混合系統(tǒng)的最優(yōu)控制有了一些新的突破[13，33]，并且混合控制理論已逐步應(yīng)用于電力系統(tǒng)的電壓安全控制和機(jī)器人協(xié)調(diào)控制等領(lǐng)域[34，35]。 現(xiàn)代工程技術(shù)、生態(tài)或社會(huì)環(huán)境等領(lǐng)域的研究對(duì)象往往是十分復(fù)雜的系統(tǒng)，對(duì)這類系統(tǒng)難以用常規(guī)的數(shù)學(xué)方法來建立準(zhǔn)確的數(shù)學(xué)模型，需要用學(xué)習(xí)、推理或統(tǒng)計(jì)意義上的模型來描述實(shí)際系統(tǒng)，這就導(dǎo)致了智能控制的研究。智能控制的主要目標(biāo)是使控制系統(tǒng)具有學(xué)習(xí)和適應(yīng)能力?，F(xiàn)在，智能控制理論雖然取得了不少研究成果，但智能控制的理論體系還不夠成熟。最近，基于模糊推理的系統(tǒng)建模[36]、神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制、神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂芠37]、神經(jīng)網(wǎng)絡(luò)非線性預(yù)測(cè)控制、混沌神經(jīng)網(wǎng)絡(luò)控制[38]等方面已有不少重要研究成果。智能控制理論有著廣泛的應(yīng)用，例如，基于神經(jīng)動(dòng)態(tài)規(guī)劃的直升機(jī)的鎮(zhèn)定控制[39]和航天軌道操作器的基于知識(shí)的分層控制[40]等。模糊推理、神經(jīng)網(wǎng)絡(luò)和遺傳算法均具有模擬人類思維結(jié)構(gòu)的方式的特點(diǎn)，將三者結(jié)合是智能控制研究的主要方向之一[26，41]。 2 傳統(tǒng)與現(xiàn)代控制理論的局限性 傳統(tǒng)控制器都是基于系統(tǒng)的數(shù)學(xué)模型建立的，因此，控制系統(tǒng)的性能好壞很大程度上取決于模型的精確性，這正是傳統(tǒng)控制的本質(zhì)?，F(xiàn)代控制理論可以解決多輸入、多輸出（MIMO）控制系統(tǒng)地分析和控制設(shè)計(jì)問題，但其分析與綜合方法也都是在取得控制對(duì)象數(shù)學(xué)模型基礎(chǔ)上進(jìn)行的，而數(shù)學(xué)模型的精確程度對(duì)控制系統(tǒng)性能的影響很大，往往由于某種原因，對(duì)象參數(shù)發(fā)生變化使數(shù)學(xué)模型不能準(zhǔn)確地反映對(duì)象特性，從而無法達(dá)到期望的控制指標(biāo)，為解決這個(gè)問題，自適應(yīng)控制、魯棒控制的研究便成為控制理論的研究熱點(diǎn)。20世紀(jì)80年代由加拿大學(xué)者Zames等人創(chuàng)始的H∞控制理論是魯棒控制理論的重要發(fā)展。但這些方法本質(zhì)上還是沒有擺脫基于數(shù)學(xué)模型的定量化思想。傳統(tǒng)控制，包括經(jīng)典反饋控制、現(xiàn)代控制理論等，在應(yīng)用中遇到不少難題。機(jī)理建模所不可避免的模型誤差將導(dǎo)致估計(jì)器工作效果時(shí)好時(shí)壞，難以設(shè)計(jì)可靠、穩(wěn)定的控制系統(tǒng)。 2.1 傳統(tǒng)控制理論面臨的問題 1）控制對(duì)象的復(fù)雜性 傳統(tǒng)控制理論的思想是建立在精確數(shù)學(xué)模型基礎(chǔ)上的，然而對(duì)實(shí)際應(yīng)用中的非線性、時(shí)變性、不確定性和不完全性的系統(tǒng)，一般無法獲得精確的數(shù)學(xué)模型。對(duì)含有對(duì)象復(fù)雜性和不確定性的控制過程，很難用傳統(tǒng)數(shù)學(xué)建模方法來解決建模問題。 2）控制方法和手段單一性 在研究一個(gè)實(shí)際的控制對(duì)象時(shí)，為了得到理論上性能良好的控制器，經(jīng)常提出一些比較苛刻的假設(shè)，然而這些假設(shè)在應(yīng)用中往往與實(shí)際情況不相吻合。 根據(jù)現(xiàn)有的理論和技術(shù)描述復(fù)雜的控制過程會(huì)出現(xiàn)片面性、單一性，建立的模型有可能與實(shí)際過程相差甚遠(yuǎn)。 傳統(tǒng)的控制對(duì)象往往局限于單一的、有確定的物理規(guī)律的系統(tǒng)。對(duì)于復(fù)合型系統(tǒng)，傳統(tǒng)的控制方法就顯得力不從心。 3）無法滿足控制性能的高要求 通常，控制系統(tǒng)需要具有所期望的控制精度、穩(wěn)定性及動(dòng)態(tài)性能。為了提高系統(tǒng)性能，傳統(tǒng)控制系統(tǒng)可能變得相當(dāng)復(fù)雜，從而使得系統(tǒng)的可靠性與其它系統(tǒng)性能成為不可調(diào)和的矛盾。 控制系統(tǒng)能夠處理數(shù)值的、符號(hào)的、定性的、定量的、確定的和模糊信息等各類信息，即要求控制系統(tǒng)具有多層次的信息處理結(jié)構(gòu)。傳統(tǒng)的控制方法是很難做到這一點(diǎn)的。 2.2 現(xiàn)代控制理論面臨的問題 1）控制對(duì)象與控制對(duì)象所處的環(huán)境的變化 隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)普及與發(fā)展，基于網(wǎng)絡(luò)的遠(yuǎn)程控制受到人們的關(guān)注。在網(wǎng)絡(luò)環(huán)境下存在延時(shí)、數(shù)據(jù)的丟失、數(shù)據(jù)時(shí)序或序的變化及數(shù)據(jù)的非等間隔采樣，使得網(wǎng)絡(luò)環(huán)境的空地變得十分復(fù)雜和困難。同時(shí)，網(wǎng)絡(luò)自身的安全與控制也是一個(gè)十分重要和非常棘手的問題。 不同性質(zhì)、不同控制對(duì)象組合而成的混雜系統(tǒng)還缺乏理論支持和相應(yīng)的技術(shù)手段。 多任務(wù)、多機(jī)器人的協(xié)調(diào)控制問題。 2）理論問題 由于復(fù)雜系統(tǒng)的建模、穩(wěn)定性與系統(tǒng)設(shè)計(jì)缺乏理論支撐和指導(dǎo)，有必要綜合應(yīng)用其他學(xué)科，如數(shù)學(xué)、信息科學(xué)、系統(tǒng)科學(xué)與認(rèn)知科學(xué)的最新進(jìn)展來建立一個(gè)解決復(fù)雜性問題的完整理論。 3）控制要求 具有多種信息或傳感信息的綜合能力；具有自學(xué)習(xí)和自適應(yīng)能力，能夠自主調(diào)整控制機(jī)構(gòu)；高可靠性；控制系統(tǒng)本身應(yīng)該具有良好的控制特性；在出現(xiàn)故障和意外時(shí)，能及早進(jìn)行自我故障診斷及排除。 現(xiàn)代控制系統(tǒng)應(yīng)該具有良好的容錯(cuò)性和魯棒性。 在一些情況下需要構(gòu)造一個(gè)合理的人機(jī)協(xié)作的控制系統(tǒng)。 基于上述問題，控制科學(xué)界多年來一直在探索著新的方法，尋求更加符合實(shí)際的“發(fā)展軌跡”。近十年來，人工智能學(xué)科新的進(jìn)展給人們帶來了希望。由于得益于計(jì)算機(jī)科學(xué)技術(shù)和智能信息處理的高速發(fā)展，智能控制逐漸形成一門學(xué)科，并在實(shí)際應(yīng)用中顯示出強(qiáng)大的生命力。與此同時(shí)，許多控制學(xué)科領(lǐng)域的工作者也開始認(rèn)識(shí)到，在許多系統(tǒng)中，復(fù)雜性不只是表現(xiàn)在高維性上，更多的則是表現(xiàn)在系統(tǒng)信息的模糊性、不確定性、偶然性和不完全性上。能否用人工智能的人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯推理、啟發(fā)式知識(shí)、專家系統(tǒng)等理論去解決難以建立精確數(shù)學(xué)模型的控制問題一直是我們十多年來追求的目標(biāo)。 3 智能信息處理技術(shù)和控制科學(xué)的交融與結(jié)合 隨著許多復(fù)雜的社會(huì)經(jīng)濟(jì)與生態(tài)問題和全球網(wǎng)絡(luò)信息安全問題的出現(xiàn)及對(duì)許多復(fù)雜系統(tǒng)“涌現(xiàn)”機(jī)理的研究，許多科學(xué)家對(duì)傳統(tǒng)的控制理論與非線性分析、隨機(jī)系統(tǒng)、統(tǒng)計(jì)學(xué)習(xí)、人工智能、認(rèn)知科學(xué)等學(xué)科的結(jié)合產(chǎn)生了極大興趣，特別是將人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、遺傳計(jì)算、專家系統(tǒng)、混沌和其它常規(guī)信號(hào)信息處理相結(jié)合，在新的層次上實(shí)現(xiàn)控制的自適應(yīng)和反饋。 20世紀(jì)70年代，傅京孫教授提出把人工智能的直覺推理方法用于機(jī)器人控制和學(xué)習(xí)控制系統(tǒng)，并將智能控制概括為自動(dòng)控制和人工智能的結(jié)合。傅京孫、Glorioso和Sardi等人從控制理論的角度總結(jié)了人工智能技術(shù)與自適應(yīng)、自學(xué)習(xí)和自組織控制的關(guān)系，正式提出了建立智能控制理論的構(gòu)想。1967年，Leondes和Mendel首次正式使用“智能控制”一詞。1985年8月在美國紐約IEEE召開的智能控制專題討論會(huì)，標(biāo)志著智能控制作為一個(gè)新的學(xué)科分支正式被控制界公認(rèn)。智能控制不同于經(jīng)典控制理論和現(xiàn)代控制理論的處理方法，它研究的主要目標(biāo)不僅僅是被控對(duì)象，同時(shí)也包含控制器本身?？刂破鞑辉偈菃我坏臄?shù)學(xué)模型，而是數(shù)學(xué)解析和知識(shí)系統(tǒng)相結(jié)合的廣義模型，是多種知識(shí)混合的控制系統(tǒng)。 經(jīng)驗(yàn)主義和理性主義的模型與解釋在很大程度上影響著人類的認(rèn)知過程。人的經(jīng)驗(yàn)是在多次的“反饋”過程中逐步積累。因此，對(duì)于智能和控制的關(guān)系，應(yīng)該合理地發(fā)揮經(jīng)驗(yàn)的作用，從進(jìn)化的角度把智能活動(dòng)看成動(dòng)態(tài)發(fā)展的過程，即實(shí)現(xiàn)控制系統(tǒng)的“反饋”應(yīng)是動(dòng)態(tài)、分層、綜合的過程。智能信息處理技術(shù)為“反饋”提供了更“聰明”的實(shí)現(xiàn)形式。 長期以來，人們?cè)谛畔⑻幚碇械恼J(rèn)知模型和基于感知的智能化信息處理研究領(lǐng)域作了不少工作，取得了很大進(jìn)展，但其水平距人們所期望的還相差甚遠(yuǎn)。這主要是由于所使用的方法與人腦的認(rèn)知信息處理過程有這種大差別，如頻譜分析方法、句法分析和傳統(tǒng)的人工智能方法等不具有開放性、動(dòng)態(tài)性和靈活性等智能信息處理方法所應(yīng)有的特征，因而它們只在特殊的應(yīng)用領(lǐng)域內(nèi)取得有限的成功。 事實(shí)上，人類的許多科學(xué)成就都來自對(duì)自然界中相應(yīng)事物的觀察和深入研究，例如人類由鳥類的飛行得到啟發(fā)從而發(fā)明了飛機(jī)。同樣，對(duì)信息的加工處理和智能控制系統(tǒng)的設(shè)計(jì)，自然界也給我們提供了一個(gè)非常完美的范例——人腦。因而智能信息處理系統(tǒng)的研究與發(fā)展需要借助于對(duì)大腦認(rèn)知功能深入全面的研究。人對(duì)外部世界的認(rèn)知過程，本質(zhì)上是一個(gè)多傳感信息的融合過程。人腦通過對(duì)多通道信息的相互監(jiān)督（self-supervision）完成學(xué)習(xí)，從而獲得對(duì)外部事物的知識(shí)；通過對(duì)多傳感信息的融合，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別與解釋；并可以根據(jù)已有知識(shí)對(duì)各傳感器實(shí)行控制。這種前饋和反饋過程的完美結(jié)合，使人腦具有極高的智能水平，即使在噪聲環(huán)境下或傳感信息不可靠時(shí)，人腦也能有效地完成其智能活動(dòng)。這為構(gòu)造智能系統(tǒng)提供了完美的典范。自從人工智能形成一個(gè)學(xué)科以來，科學(xué)家們遵循著一條明確的指導(dǎo)思想，，即研究和總結(jié)人類思維的普遍規(guī)律，并用計(jì)算機(jī)模擬它的功能實(shí)現(xiàn)。正如飛機(jī)并不是簡單模擬鳥而發(fā)明的，因此智能信息處理系統(tǒng)的研究也不應(yīng)該機(jī)械照搬人腦認(rèn)知模式。 3.1 智能控制系統(tǒng)的基本功能特點(diǎn) 1） 容錯(cuò)性。對(duì)復(fù)雜系統(tǒng)（如非線性、快時(shí)變、復(fù)雜多變量和環(huán)境擾動(dòng)等）能進(jìn)行有效的全局控制，并具有較強(qiáng)的容錯(cuò)能力。 2） 多模態(tài)性。定性決策和定量控制相結(jié)合的多模態(tài)組合控制。 3） 全局性。從系統(tǒng)的功能和整體優(yōu)化的角度來分析和綜合系統(tǒng)。 4） 混合模型和混合計(jì)算。對(duì)象是以知識(shí)表示的非數(shù)學(xué)廣義模型和以數(shù)學(xué)模型表示的混合控制過程，人的智能在控制中起著協(xié)調(diào)作用，系統(tǒng)在信息處理上既有數(shù)學(xué)運(yùn)算，又有邏輯和知識(shí)推理。 5） 學(xué)習(xí)和聯(lián)想記憶能力。對(duì)一個(gè)過程或未知環(huán)境所提供的信息，系統(tǒng)具有進(jìn)行識(shí)別記憶、學(xué)習(xí)，并利用積累的經(jīng)驗(yàn)進(jìn)一步改善系統(tǒng)的性能和能力。 6） 動(dòng)態(tài)自適應(yīng)性。對(duì)外界環(huán)境變化及不確定性的出現(xiàn)，系統(tǒng)具有修正或重構(gòu)自身結(jié)構(gòu)和參數(shù)的能力。 7） 組織協(xié)調(diào)能力。對(duì)于復(fù)雜任務(wù)和分散的傳感信息，系統(tǒng)具有自組織和協(xié)調(diào)能力，體現(xiàn)出系統(tǒng)的主動(dòng)性和靈活性。 3.2 智能控制的主要研究分支 1） 模糊邏輯控制 傳統(tǒng)的控制問題一般是基于系統(tǒng)的數(shù)學(xué)模型來設(shè)計(jì)控制器，而大多數(shù)工業(yè)被控對(duì)象是具有時(shí)變、非線性等特性的復(fù)雜系統(tǒng)，對(duì)這樣的系統(tǒng)進(jìn)行控制，不能僅僅建立在平衡點(diǎn)附近的局部線性模型，需要加入一些與工業(yè)狀況有關(guān)的人的控制經(jīng)驗(yàn)。這種經(jīng)驗(yàn)通常是定性的或定量的，模糊推理控制正是這種控制經(jīng)驗(yàn)的表示方法，這種方法的優(yōu)點(diǎn)是不需要被控過程的數(shù)學(xué)模型，因而可省去傳統(tǒng)控制方法的建模過程，但卻過多地依賴控制經(jīng)驗(yàn)。此外，由于沒有被控對(duì)象的模型，在投入運(yùn)行之前就很難進(jìn)行穩(wěn)定性、魯棒性等系統(tǒng)分析。近年來，一些研究者們?cè)谀：刂颇Ｊ街幸肽：Ｐ偷母拍?，出現(xiàn)了模糊模型。模糊模型易于表達(dá)結(jié)構(gòu)性知識(shí)，成為模糊控制系統(tǒng)研究的關(guān)鍵問題[42-44]。最近，模糊控制理論成功地應(yīng)用于飛行器的優(yōu)化跟蹤設(shè)計(jì)和產(chǎn)品加工過程[28，45]。 2） 模糊預(yù)測(cè)控制 預(yù)測(cè)控制是為適應(yīng)復(fù)雜工業(yè)過程控制而提出的算法，它突破了傳統(tǒng)控制對(duì)模型的束縛，具有易于建模、魯棒性好的特點(diǎn)，對(duì)于解決大滯后對(duì)象控制問題是一條有效的途徑。模糊建模是非線性系統(tǒng)建模的一個(gè)重要工具，也是復(fù)雜工業(yè)過程控制中廣泛使用的方法。把預(yù)測(cè)控制和模糊推理相結(jié)合[46]是很有吸引力的研究方向之一。 3） 神經(jīng)網(wǎng)絡(luò)控制 神經(jīng)網(wǎng)絡(luò)控制是研究和利用人腦的某些結(jié)構(gòu)機(jī)理以及人的知識(shí)和經(jīng)驗(yàn)對(duì)系統(tǒng)的控制。一般地，神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的智能性、魯棒性均較好，它能處理高維、非線性、強(qiáng)耦合和不定性的復(fù)雜工業(yè)生產(chǎn)過程的控制問題。顯示了神經(jīng)網(wǎng)絡(luò)在解決高度非線性和嚴(yán)重不確定性系統(tǒng)的控制方面具有很大潛力。雖然神經(jīng)網(wǎng)絡(luò)在利用系統(tǒng)定量數(shù)據(jù)方面有較強(qiáng)的學(xué)習(xí)能力。但它將系統(tǒng)控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，不易把控制經(jīng)驗(yàn)的定性知識(shí)融入控制過程中。近來，在神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[47]、人工神經(jīng)網(wǎng)絡(luò)閥函數(shù)的數(shù)字設(shè)計(jì)[48]、新的混合神經(jīng)網(wǎng)絡(luò)模型[49]等方面都有一些重要進(jìn)展，如應(yīng)用于機(jī)器人操作過程神經(jīng)控制[28]、核反應(yīng)堆的載重操作過程的神經(jīng)控制[50]。近年來，神經(jīng)網(wǎng)絡(luò)、模糊推理、各種特殊信號(hào)的有機(jī)結(jié)合，還導(dǎo)致了一些新的綜合神經(jīng)網(wǎng)絡(luò)的出現(xiàn)。例如，小波神經(jīng)網(wǎng)絡(luò)[51]、模糊神經(jīng)網(wǎng)絡(luò)[46，52]和混沌神經(jīng)網(wǎng)絡(luò)[38]的出現(xiàn)，為智能控制領(lǐng)域開辟了新的研究方向。 4） 基于知識(shí)的分層控制設(shè)計(jì) 對(duì)于復(fù)雜控制對(duì)象，單一地采用傳統(tǒng)控制不能獲得理想的系統(tǒng)性能，這時(shí)需要智能的控制策略。分層控制恰好體現(xiàn)了這一思想，底層采用傳統(tǒng)的控制方法，高層采用智能策略協(xié)調(diào)底層工作，這就是基于知識(shí)的分層控制設(shè)計(jì)。這種控制設(shè)計(jì)理論已經(jīng)應(yīng)用到機(jī)器人、航天飛行器等領(lǐng)域[53-55]。 3.3 模糊推理和神經(jīng)網(wǎng)絡(luò)在控制中應(yīng)用的區(qū)別 1） 模糊控制是基于規(guī)則的推理，神經(jīng)網(wǎng)絡(luò)則需要大量的數(shù)據(jù)學(xué)習(xí)樣本。在有足夠的系統(tǒng)控制知識(shí)情況下，基于模糊規(guī)則控制較好；如果系統(tǒng)有足夠的各態(tài)遍歷的學(xué)習(xí)樣本，應(yīng)用神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)可得到滿意的控制器。 2） 模糊映射在系統(tǒng)中是集合到集合的規(guī)則映射，神經(jīng)網(wǎng)絡(luò)則是點(diǎn)到點(diǎn)的映射。模糊邏輯容易表達(dá)人們的控制經(jīng)驗(yàn)等定性知識(shí)，而神經(jīng)網(wǎng)絡(luò)在利用系統(tǒng)定量數(shù)據(jù)方面有較強(qiáng)的學(xué)習(xí)能力。 3） 神經(jīng)網(wǎng)絡(luò)控制將系統(tǒng)控制問題看成“黑箱”的映射問題，缺乏明確的物理意義，因而控制經(jīng)驗(yàn)的定性知識(shí)不易融入控制中。模糊控制一般把對(duì)被控對(duì)象看作是“灰箱”。 4 控制理論的完善與控制技術(shù)的發(fā)展 自從美國科學(xué)家維納于20世紀(jì)40年代創(chuàng)立控制論以來，控制科學(xué)已經(jīng)經(jīng)歷了經(jīng)典控制理論和現(xiàn)代控制理論兩個(gè)階段，并進(jìn)入智能控制理論這一重要發(fā)展階段，盡管還不夠成熟。在處理復(fù)雜系統(tǒng)控制問題時(shí)，傳統(tǒng)控制方法對(duì)于復(fù)雜性、不確定性、突變性所帶來的問題總有些力不從心。為了適應(yīng)不同技術(shù)領(lǐng)域和社會(huì)發(fā)展對(duì)控制科學(xué)提出的新要求，我們必須發(fā)展新的控制模式。國內(nèi)外控制科學(xué)界都在探索新的控制理論，以解決各類復(fù)雜系統(tǒng)的控制問題。近年來，越來越多的學(xué)者已意識(shí)到在傳統(tǒng)控制中加入邏輯、推理和啟發(fā)式知識(shí)的重要性，把傳統(tǒng)控制理論與模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法等人工智能技術(shù)相結(jié)合，充分利用人的控制知識(shí)對(duì)復(fù)雜系統(tǒng)進(jìn)行智能化控制，逐漸形成了智能控制理論的較完整的體系[56，57]。 控制科學(xué)所面臨的挑戰(zhàn)問題。 1） 高度自主的復(fù)雜工程系統(tǒng)的設(shè)計(jì)與控制。我們面臨的復(fù)雜系統(tǒng)是一個(gè)由多個(gè)子系統(tǒng)構(gòu)成，每個(gè)子系統(tǒng)本身都可能是一個(gè)復(fù)雜的、具有高度自主性的系統(tǒng)，需要有效地協(xié)調(diào)這些子系統(tǒng)的行為。所設(shè)計(jì)的工程系統(tǒng)不僅有很高的復(fù)雜度，而且同時(shí)還要能在人監(jiān)督最少的情況下運(yùn)行良好，表現(xiàn)出高度自主的行為。 2） 智能控制與基于人類行為的智能化信息處理。智能控制方法是對(duì)傳統(tǒng)控制方法的擴(kuò)展和提高，也是設(shè)定和完成控制目標(biāo)時(shí)實(shí)現(xiàn)高自主度所必需的，在不確定條件下的規(guī)劃、大量數(shù)據(jù)的處理中，進(jìn)行有效的復(fù)雜過程控制。 3） 復(fù)雜工業(yè)系統(tǒng)的故障快速處理、系統(tǒng)重構(gòu)與修復(fù)，復(fù)雜環(huán)境中仿人機(jī)器人的設(shè)計(jì)和制造，社會(huì)系統(tǒng)中的重大事變（戰(zhàn)爭、自然災(zāi)害、金融危機(jī)）的應(yīng)急指揮和組織系統(tǒng)都存在著如何適應(yīng)外部世界不確定性的動(dòng)態(tài)變化問題。人類的行為特征充分反映了對(duì)外界環(huán)境的反應(yīng)能力。研究基于人類行為特征的信息處理原理和方法，即研究系統(tǒng)在不確定性動(dòng)態(tài)環(huán)境中的反應(yīng)能力和對(duì)外界事務(wù)充分感知的能力[58]。 4） 學(xué)習(xí)控制系統(tǒng)。學(xué)習(xí)是自動(dòng)化系統(tǒng)一直追求的目標(biāo)。它是指系統(tǒng)能夠根據(jù)環(huán)境或目標(biāo)改變其行為。學(xué)習(xí)控制系統(tǒng)應(yīng)能夠在控制過程發(fā)生變化時(shí)修改控制規(guī)律。 5） 綜合智能處理方法。目前，人們?cè)谧赃m應(yīng)、監(jiān)督與迭代式設(shè)計(jì)等方面做了大量的研究和開發(fā)工作。由于將人工智能技術(shù)引入到控制領(lǐng)域中，可用來處理其它一些學(xué)習(xí)特征，如估計(jì)、聚類、重構(gòu)、推理、創(chuàng)造、刪除等功能，特別是需要綜合人工智能中的多種技術(shù)來實(shí)現(xiàn)上述系統(tǒng)功能[59，60]。 6） 復(fù)雜系統(tǒng)的理論體系的形成。復(fù)雜系統(tǒng)的主要特征歸納為：系統(tǒng)動(dòng)力學(xué)模型的不確定性、測(cè)量信息的粗糙性和不完整性、動(dòng)態(tài)行為或擾動(dòng)的隨機(jī)性、離散層次和連續(xù)層次的混雜性、系統(tǒng)動(dòng)力學(xué)的高度非線性、狀態(tài)變量的高維性和分布性、子系統(tǒng)及層次多樣性和個(gè)子系統(tǒng)間的強(qiáng)耦合性、部分子系統(tǒng)的無法建模性等。復(fù)雜系統(tǒng)控制在規(guī)模上、復(fù)雜性及靈活性上將大大突破傳統(tǒng)的自動(dòng)控制在概念和方法上的局限性。它要求控制系統(tǒng)對(duì)被控對(duì)象的動(dòng)力學(xué)模型要有“學(xué)習(xí)”和“識(shí)別”能力，對(duì)環(huán)境和擾動(dòng)的變化要有“適應(yīng)”和“魯棒”能力。 一般地，提高系統(tǒng)的智能度主要有兩種途徑：一是在基于古典精確邏輯的基礎(chǔ)上，通過增加并行度來加快系統(tǒng)的演化速度，從而提高系統(tǒng)的智能；二是開發(fā)新的高智能的邏輯形式。前者，主要是考慮計(jì)算速度，這同樣有兩種途徑，一方面在原有算法基礎(chǔ)上開發(fā)相應(yīng)的并行算法；另一方面是設(shè)計(jì)出高效且具有高并行度的新型算法。后者，主要是從系統(tǒng)本身出發(fā)來提高它的智能度，其主要手段是通過對(duì)人或高等動(dòng)物以及自然界的研究中得到一些啟示，并應(yīng)用于新系統(tǒng)的設(shè)計(jì)中。綜合智能信息處理將以神經(jīng)網(wǎng)絡(luò)并行分布處理和基于專家系統(tǒng)等人工智能符號(hào)邏輯推理為兩種重要的基本方式，并與模糊邏輯、進(jìn)化計(jì)算、混沌動(dòng)力學(xué)、信號(hào)處理與變換等方法綜合集成，特別是軟計(jì)算（神經(jīng)網(wǎng)絡(luò)、模糊邏輯和概率推理）、不確定性推理與自組織及仿生計(jì)算等。 5 結(jié)束語 20世紀(jì)以來，控制科學(xué)與工程技術(shù)對(duì)近代世界技術(shù)文明的許多成就作出了巨大貢獻(xiàn)，發(fā)展了許多研究方法和開創(chuàng)了不少交叉科學(xué)，它是現(xiàn)代技術(shù)科學(xué)的思想基石和方法學(xué)?？刂瓶茖W(xué)與工程技術(shù)的歷史是輝煌的，但我們應(yīng)該面對(duì)客觀世界的現(xiàn)實(shí)，更加積極地、嚴(yán)謹(jǐn)?shù)亻_拓和創(chuàng)造未來。控制科學(xué)在解決21世紀(jì)的社會(huì)復(fù)雜問題上及跨學(xué)科問題方面具有不可替代的重要作用，也是能夠提供最適當(dāng)、最聰明方法的學(xué)科領(lǐng)域之一。今后的控制科學(xué)方法需要以一種集成的方式來考慮系統(tǒng)以及相關(guān)的設(shè)計(jì)要求。將控制科學(xué)與其它領(lǐng)域密切結(jié)合，解決我國經(jīng)濟(jì)與社會(huì)發(fā)展中基礎(chǔ)技術(shù)科學(xué)、工業(yè)、農(nóng)業(yè)、能源、國防、乃至國家安全所涉及的控制與自動(dòng)化的重大基礎(chǔ)理論問題，帶動(dòng)社會(huì)全面信息化和工業(yè)化的一些關(guān)鍵技術(shù)的發(fā)展。 復(fù)雜系統(tǒng)和智能系統(tǒng)的研究是21世紀(jì)控制科學(xué)發(fā)展的主要方向，宋健院士在北京IFAC大會(huì)上所作的“智能控制——跨越世紀(jì)的目標(biāo)”的報(bào)告，在一定程度上指明了今后控制科學(xué)發(fā)展的方向?？刂瓶茖W(xué)的發(fā)展面臨著嚴(yán)峻問題與挑戰(zhàn)，又存在良好發(fā)展機(jī)遇。為了解決面臨的難題，第一要把傳統(tǒng)的控制科學(xué)的研究進(jìn)一步深化、綜合化，重視控制硬件、軟件和智能信息處理方法的結(jié)合，實(shí)現(xiàn)控制系統(tǒng)的智能化；第二要大力推進(jìn)控制科學(xué)與計(jì)算機(jī)科學(xué)、信息科學(xué)、系統(tǒng)科學(xué)以及人工智能的有機(jī)結(jié)合，為控制科學(xué)的發(fā)展提供新思想、新方法和新技術(shù)；第三要以重大需求為導(dǎo)向推動(dòng)控制科學(xué)與技術(shù)的更高層次的發(fā)展，使控制科學(xué)與技術(shù)在我國以信息化帶動(dòng)工業(yè)化和社會(huì)經(jīng)濟(jì)的快速健康發(fā)展中發(fā)揮重要作用。 參考文獻(xiàn) 1 Bennett S. A brief history automatic control. IEEE Control Systems, 1996, 16（3）:17-25 2 陳翰馥，郭雷?，F(xiàn)代控制理論的若干進(jìn)展及展望?？茖W(xué)通報(bào)，1998，43（1）：1-7 3 Isidori A. Nonlinear Control Systems. Berlin: Springer-Verlag,1989 4 Huang C Q, Wang X G, Wang Z G. A further result of the nonlinear mixed H2/Hinfinity tracking control problem for robotic system. Journal of Robotic Systems, 2002, 19（1）:25-36 5 Carroll T L. Using the cyclostationary properties of chaotic signals for communication. IEEE Trans. Circuits and Systems I, 2002, 49（3）:357-362 6 Williams C. Chaotic communications over radio channels. IEEE Trans.Circuits and Systems I, 2001, 48（12）:1394-1404 7 Tang S, Chen H F et al. Message encoding and decoding through chaos modulation in chaotic optical communications. IEEE Trans. Circuits and Systems I, 2002, 49（2）:163-169 8 Cellier F E. Combined continuous/discrete system simulation by use of digital computer: Techniques and tools. Zurich, Switzerland: Swiss Federal Institute of Technology, 1979 9 Bensoussan A, Prato G D, Delfour M C et al. Representation and Control of Infinite Dimensional Systems, Volumes 1 and 2. Boston: Birkhauser, 1992 10 Li S J, Yu J Y, Zhu G T. Stabilization of high eigenfrequencies of a beam equation with generalized viscous damping. SIAM J. Control and Optimization, 1999, 37（6）:1767-1779 11 Zhiwen Z, Leung H. Identification of linear systems driven by chaotic signals using nonlinear prediction. IEEE Trans. Circuits and Systems I, 2002, 49（2）:170-180 12 Siettos C I, Bafas G V, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Seta and Systems, 2002, 126（1）:89-104 13 Liu R H, Zhang Q, Yin G. Asymptotically optimal controls of hybrid linear quadratic regulators in discrete time. Automatica, 2002, 38（3）:409-419 14 Chen H F, Guo L. Identification and Stochastic Adaptive Control. Boston: Birkhauser, 1991 15 Landau I D, Lozano R, M’Saad M. Adaptive Control. London: Springer, 1998 16 Han H, Su C-Y. Robust fuzzy control of nonlinear systems using shape adaptive radial basis functions. Fuzzy Sets and Systems, 2002, 125（1）:23-38 17 Ge S S, Wang Cong. Adaptive NN control of uncertain nonlinear pure-feedback systems. Automatica, 2002, 38（4）:671-682 18 Zhou K, Doyle J C, Glover K. Robust and Optimal Control. Englewood, Clifls: Prentice-Hall, 1996 19 Byrnes C I, Priscoli F D, Isidori A. Output Regulation of Uncertain Nonlinear Systems. Boston: Birkhauser, 1997 20 Bolzern P, Colaneri P et al. Guaranteed Hinfinity robustness bounds for Wiener filtering and prediction. International Journal of Robust and Nonlinear Control, 2002, 12（1）:41-56 21 Raffaella D S, Alberto I. On the output regulation for linear systems in the presence of input saturation. IEEE Trans. Automatic Control, 2001, 46（1）:156-160 22 Yong Y C, Zongli L, Tingshu H. Stability analysis of linear time-delay systems subject to input saturation. IEEE Trans. Circuits and Systems I,2002, 49（2）:233-240 23 Liu D, Molchanov A. Criteria for robust absolute stability of time –varying nonlinear continuous-time systems. Automatica, 2002, 38（4）:627-637 24 Niculescu S-I, Verriest E I, Dugard L, Dion J-D. Stability and robust stability of time-delay systems: A guided tour. In: Stability and Control of Time-Delay Systems. Eds. London: Springer-Verlag, 1997, 228 25 Jia Xinchun, Zheng Nanning. Reliable grading robust stabilization for uncertain time-varying system Via dynamic compensater. Progress on Natural Science （Chinese）, 2002, 12（9）:60-67 26 Chang W, Jin B P, Young H J, Chen G. Design of robust fuzzy-model-based controller with sliding mode control for SISO nonlinear systems. Fuzzy Sets and Systems, 2002, 125（1）:1-22 27 Sampath V, Palanki S, Cockbum J C, Corriou J-P. Robust controller design for temperature tracking problems in jacketed batch reactors. Journal of Process Control, 2002, 12（1）:27-28 28 Uang H-J, Chen B-S. Robust adaptive optimal tracking design for uncertain missile systems: A fuzzy approach. Fuzzy Sets and Systems, 2002, 126（1）:63-87 29 Barambones O, Etxebarria V. Robust neural control for robotic manipulators. Automatica, 2002, 38（2）:235-242 30 Balemi S, Kozak P, Smedinga R. Discrete Event Systems: Modeling and Control. Boston: Birkh-auser, 1993 31 Witsenhausen H S. A class of hybrid-state continuous-time dynamic systems. IEEE Trans. Automatic Control, 1966, 11（6）:665-683 32 Golli A, Varaiya P. Hybrid dynamic systems. In: Proc. of the 28th IEEE Conference on Decision and Control, Tampa Florida, USA, 1989. 2708-2712 33 Moor t, Raisch J, O’Young S. Discrete supervisory control of hybrid systems based on 1-complete approximations. Discrete Event Dynamic Systems: Theory and Applications, 2002, 12（1）:83-107 34 Popvic D H, Hill D J, Wu Q. Optimal voltage security control of power systems. International Journal of Electrical power and Energy System, 2002, 24（4）:305-320 35 Egerstedt M, Hu X. A hybrid control approach to action coordination for mobile robots. Automatica, 2002, 38（1）:125-130 36 Oh S-K, Pedrycz W, Park B-J. Hybrid identification of fuzzy rule-based models. International Journal of Intelligent Systems, 2002, 17（1）:77-103 37 Hunt J, Sbarbaro D. Neural networks for nonlinear internal model control. IEE PROC. Control Theory and Applications, 1991, 138（5）:431-438 38 李耀勇，鄭南寧。對(duì)處于混沌狀態(tài)的神經(jīng)網(wǎng)絡(luò)的控制。計(jì)算機(jī)學(xué)報(bào)， 1998， 21（增刊）：142-146 39 Enns R, Si J. Apache helicopter stabilization using neural dynamic programming. Journal of Guidance, Control and Dynamics, 2002, 25（1）:19-25 40 Goulet J F, De Silva C W, Modi A K, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astromnautica, 2002, 50（3）:139-148 41 Venkat A N, Gudi R D. Fuzzy segregation-based identification and control of nonlinear dynamic systems. Industrial and Engineering Chemistry Research, 2002, 41（3）:538-552 42 Rojas I, Gonzalez J, Rojas F, Damas M, Fernandez F J, Pomares H. A two-stage approach to self-learning direct fuzzy controllers. International Journal of Approximate Reasoning, 2002, 29（3）:267-289 43 Yi J Q, Yubazaki N, Hirota K. A new fuzzy controller for stabilization of parallel-type double inverted pendulum system. Fuzzy Sets and Systems, 2002, 126（1）:105-119 44 Siettos C I, Bafas G I, Boudouvis A G. Truncated Chebyshev series approximation of fuzzy systems for control and nonlinear system identification. Fuzzy Sets and Systems, 2002, 126（1）:89-104 45 Kuo H C, Wu L J. Fuzzy control of a heat-bending system. Journal of Materials Processing Technology, 2002, 120（1-3）:186-201 46 Yin H, Wong S C, Xu J, Wong C K. Urban traffic flow prediction using a fuzzy-neural approach. Transportation Research Part C: Emerging Technologies, 2002, 10（2）:85-98 47 Huang S N, Tan K K, Lee T H. Adaptive motion control using neural network approximations. Automatica, 2002, 38（2）:227-233 48 Basterretxea K, Tarela J M, Del Campo I. Digital design of sigmoid approximator for artificial neural networks. Electronics Letters, 2002, 38（1）:35-37 49 Gao L, Lonev N W. New hybrid neural network model for prediction of phase equilibrium in a two-phase extraction system. Industrial and Engineering Chemistry Research, 2002, 41（1）:112-119 50 Khajavi M N, Menhaj M B, Suratgar A A. A neural network controller for load following operation of nuclear reactors. Annals of Nuclear Energy, 2002, 29（6）:751-760 51 Wai R-J, Chang J-M. Intelligent control of induction servo motor drive via wavelet neural network. Electric Power Systems Research, 2002, 61（1）:67-76 52 Jurado F, Ortega M, Cano A, Carpio J. Neuro-fuzzy controller for gas turbinein biomass-based electric power plant. Electric Power Systems Research, 2002, 60（3）:123-135 53 Goulet I F, De Silva C W, Modi V I, Misra A K. Hierarchical knowledge-based control of a deployable orbiting manipulator. Acta Astronautica, 2002, 50（3）:139-148 54 De Silva, C W, MacFarlane A G J. Knowledge-based control approach for robotic manipulators. International Journal of Control, 1998, 50（1）:249-273 55 Goulet J F. Intelligent hierarchical control of a deployable manipulator[M S Thesis]. Department of Mechanical Engineering, The University of British Columbia, Vancouver, Canada, 1999 56 李少遠(yuǎn)，席裕庚，陳增強(qiáng)，袁著祉。智能控制的新進(jìn)展。控制與決策，2000，15（1）：1-5 57 鄭南寧。認(rèn)知過程的信息處理和新型人工智能系統(tǒng)。中國基礎(chǔ)科學(xué)，2000， 8：9-18 58 Karny M, Nagy I, Novovicova J. Mixed-data multi-modelling for fault detection and isolation. International Journal of Adaptive Control and Signal Processing, 2002, 16（1）:61-83 59 Guijarro B B, Alonso B A, Fontenla R O. Intelligent analysis and pattern recognition in cardiotocographic signals using a tight coupled hybrid system. Artificial Intelligence, 2002, 136（1）:1-27 60 Lau H C W, Ip R W L, Chan F T S. An intelligent information infrastructure to support knowledge discovery. Expert Systems with Applications, 2002, 22（1）:1-10 鄭南寧 教授，中國工程院院士。研究領(lǐng)域?yàn)橹悄苄畔⑻幚?、機(jī)器人視覺與模式識(shí)別等。 賈新春 教授，1988年獲中科院系統(tǒng)科學(xué)研究所碩士學(xué)位。研究領(lǐng)域?yàn)轸敯艨刂啤⒅? 能信息處理、廣義系統(tǒng)等。 袁澤劍 博士研究生。研究領(lǐng)域?yàn)橹悄苄畔⑻幚?、機(jī)器人視覺與模式識(shí)別等。