1、什麼是神經網絡控制
神經網絡控制技術是一項複雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算後對變頻器進行控制的一種新技術。而且神經網絡控制可以同時控制多個變頻器，是以應用在多個變頻器級聯控制中比較合适。
谷歌人工智能寫作項目：小發貓
2、什麼是神經網絡控制技術
神經網絡控制技術是一項複雜的系統控制技術，一般應用在變頻器的控制中，它是通過對系統的辨識、運算後對變頻器進行控制的一種新技術神經網絡控制主要包括。而且神經網絡控制可以同時控制多個變頻器，是以應用在多個變頻器級聯控制中比較合适。
3、神經網絡的特點
不論何種類型的人工神經網絡，它們共同的特點是，大規模并行處理，分布式存儲，彈性拓撲，高度備援和非線性運算。因而具有很髙的運算速度，很強的聯想能力，很強的适應性，很強的容錯能力和自組織能力。這些特點和能力構成了人工神經網絡模拟智能活動的技術基礎，并在廣闊的領域獲得了重要的應用。例如，在通信領域，人工神經網絡可以用于資料壓縮、圖像處理、矢量編碼、差錯控制（糾錯和檢錯編碼）、自适應信号處理、自适應均衡、信号檢測、模式識别、ATM流量控制、路由選擇、通信網優化和智能網管理等等。
人工神經網絡的研究已與模糊邏輯的研究相結合，并在此基礎上與人工智能的研究相補充，成為新一代智能系統的主要方向。這是因為人工神經網絡主要模拟人類右腦的智能行為而人工智能主要模拟人類左腦的智能機理，人工神經網絡與人工智能有機結合就能更好地模拟人類的各種智能活動。新一代智能系統将能更有力地幫助人類擴充他的智力與思維的功能，成為人類認識和改造世界的聰明的工具。是以，它将繼續成為當代科學研究重要的前沿。
4、智能控制的類型
分級遞階智能控制是在自适應控制和自組織控制基礎上，由美國普渡大學Saridis提出的智能控制理論.分級遞階智能控制（Hierarchical Intelligent Control）主要由三個控制級組成，按智能控制的高低分為組織級，協調級，執行級，并且這三級遵循伴随智能遞降精度遞增原則。
組織級（organization level）：組織級通過人機接口和使用者（操作員）進行互動，執行最高決策的控制功能，監視并指導協調級和執行級的所有行為，其智能程度最高.
協調級（Coordination level）：協調級可進一步劃分為兩個分層：控制管理分層和控制監督分層.
執行級（executive level）：執行級的控制過程通常是執行一個确定的動作. 專家指的是那些對解決專門問題非常熟悉的人們，他們的這種專門技術通常源于豐富的經驗，以及他們處理問題的詳細專業知識.
專家系統主要指的是一個智能計算機程式系統，其内部含有大量的某個領域專家水準的知識與經驗，能夠利用人類專家的知識和解決問題的經驗方法來處理該領域的高水準難題.它具有啟發性，透明性，靈活性，符号操作，不一确定性推理等特點.應用專家系統的概念和技術，模拟人類專家的控制知識與經驗而建造的控制系統，稱為專家控制系統.
專家系統是利用專家知識對專門的或困難的問題進行描述. 用專家系統所構成的專家控制，無論是專家控制系統還是專家控制器，其相對工程費用較高，而且還涉及自動地擷取知識困難、無自學能力、知識面太窄等問題. 盡管專家系統在解決複雜的進階推理中獲得較為成功的應用，但是專家控制的實際應用相對還是比較少。 神經網絡是指由大量與生物神經系統的神經細胞相類似的人工神經元互連而組成的網絡；或由大量象生物神經元的處理單元并聯互連而成.這種神經網絡具有某些智能和仿人控制功能.
學習算法是神經網絡的主要特征，也是目前研究的主要課題.學習的概念來自生物模型，它是機體在複雜多變的環境中進行有效的自我調節.神經網絡具備類似人類的學習功能.一個神經網絡若想改變其輸出值，但又不能改變它的轉換函數，隻能改變其輸人,而改變輸人的唯一方法隻能修改加在輸人端的權重系數.
神經網絡的學習過程是修改權重系數的過程，最終使其輸出達到期望值，學習結束.常用的學習算法有：Hebb學習算法，widrow Hoff學習算法，反向傳播學習算法一BP學習算法，Hopfield回報神經網絡學習算法等。
神經網絡是利用大量的神經元按一定的拓撲結構和學習調整方法. 它能表示出豐富的特性：并行計算、分布存儲、可變結構、高度容錯、非線性運算、自我組織、學習或自學習等. 這些特性是人們長期追求和期望的系統特性. 它在智能控制的參數、結構或環境的自适應、自組織、自學習等控制方面具有獨特的能力. 神經網絡可以和模糊邏輯一樣适用于任意複雜對象的控制，但它與模糊邏輯不同的是擅長單輸入多輸出系統和多輸入多輸出系統的多變量控制. 在模糊邏輯表示的SIMO 系統和MIMO 系統中，其模糊推理、解模糊過程以及學習控制等功能常用神經網絡來實作.模糊神經網絡技術和神經模糊邏輯技術：模糊邏輯和神經網絡作為智能控制的主要技術已被廣泛應用. 兩者既有相同性又有不同性. 其相同性為：兩者都可作為萬能逼近器解決非線性問題，并且兩者都可以應用到控制器設計中. 不同的是：模糊邏輯可以利用語言資訊描述系統，而神經網絡則不行；模糊邏輯應用到控制器設計中，其參數定義有明确的實體意義，因而可提出有效的初始參數選擇方法；神經網絡的初始參數（如權值等） 隻能随機選擇. 但在學習方式下，神經網絡經過各種訓練，其參數設定可以達到滿足控制所需的行為. 模糊邏輯和神經網絡都是模仿人類大腦的運作機制，可以認為神經網絡技術模仿人類大腦的硬體，模糊邏輯技術模仿人類大腦的軟體. 根據模糊邏輯和神經網絡的各自特點，所結合的技術即為模糊神經網絡技術和神經模糊邏輯技術. 模糊邏輯、神經網絡和它們混合技術适用于各種學習方式 智能控制的相關技術與控制方式結合或綜合交叉結合，構成風格和功能各異的智能控制系統和智能控制器是智能控制技術方法的一個主要特點． 所謂模糊控制，就是在被控制對象的模糊模型的基礎上，運用模糊控制器近似推理手段，實作系統控制的一種方法.模糊模型是用模糊語言和規則描述的一個系統的動态特性及性能名額.
模糊控制的基本思想是用機器去模拟人對系統的控制.它是受這樣事實而啟發的：對于用傳統控制理論無法進行分析和控制的複雜的和無法建立數學模型的系統，有經驗的操作者或專家卻能取得比較好的控制效果，這是因為他們擁有日積月累的豐富經驗，是以人們希望把這種經驗指導下的行為過程總結成一些規則，并根據這些規則設計出控制器.然後運用模糊理論，模糊語言變量和模糊邏輯推理的知識，把這些模糊的語言上升為數值運算，進而能夠利用計算機來完成對這些規則的具體實作，達到以機器代替人對某些對象進行自動控制的目的。
模糊邏輯用模糊語言描述系統，既可以描述應用系統的定量模型也可以描述其定性模型. 模糊邏輯可适用于任意複雜的對象控制. 但在實際應用中模糊邏輯實作簡單的應用控制比較容易. 簡單控制是指單輸入單輸出系統（SISO) 或多輸入單輸出系統（MISO) 的控制. 因為随着輸入輸出變量的增加，模糊邏輯的推理将變得非常複雜。 學習是人類的主要智能之一，人類的各項活動也需要學習.在人類的進化過程中,學習功能起着十分重要的作用.學習控制正是模拟人類自身各種優良的控制調節機制的一種嘗試. 所謂學習是一種過程，它通過重複輸人信号，并從外部校正該系統，進而使系統對特定輸人具有特定響應.學習控制系統是一個能在其運作過程中逐漸獲得受控過程及環境的非預知資訊，積累控制經驗，并在一定的評價标準下進行估值，分類，決策和不斷改善系統品質的自動控制系統。
（1）遺傳算法學習控制
智能控制是通過計算機實作對系統的控制，是以控制技術離不開優化技術。快速、高效、全局化的優化算法是實作智能控制的重要手段。遺傳算法是模拟自然選擇和遺傳機制的一種搜尋和優化算法，它模拟生物界/生存競争，優勝劣汰，适者生存的機制，利用複制、交叉、變異等遺傳操作來完成尋優。遺傳算法作為優化搜尋算法，一方面希望在寬廣的空間内進行搜尋，進而提高求得最優解的機率；另一方面又希望向着解的方向盡快縮小搜尋範圍，進而提高搜尋效率。如何同時提高搜尋最優解的機率和效率，是遺傳算法的一個主要研究方向。遺傳算法作為一種非确定的拟自然随機優化工具，具有并行計算、快速尋找全局最優解等特點，它可以和其他技術混合使用，用于智能控制的參數、結構或環境的最優控制。
（2）疊代學習控制
疊代學習控制模仿人類學習的方法、即通過多次的訓練，從經驗中學會某種技能，來達到有效控制的目的。疊代學習控制能夠通過一系列疊代過程實作對二階非線性動力學系統的跟蹤控制。整個控制結構由線性回報控制器和前饋學習補償控制器組成，其中線性回報控制器保證了非線性系統的穩定運作、前饋補償控制器保證了系統的跟蹤控制精度。它在執行重複運動的非線性機器人系統的控制中是相當成功的。
5、輸入循環的三種主要控制方式
1．查詢方式、2．中斷方式、3．DMA方式。
循環神經網絡（RNN/recurrentneuralnetwork）是一類人工神經網絡，其可以通過為網絡添加額外的權重來在網絡圖（networkgraph）中建立循環，以便維持一個内部狀态。為神經網絡添加狀态的好處是它們将能在序列預測問題中明确地學習和利用背景資訊（context）。
這類問題包括帶有順序或時間元件的問題。在這篇文章中，你将踏上了解用于深度學習的循環神經網絡的旅程。在讀完這篇文章後，你将了解：用于深度學習的頂級循環神經網絡的工作方式，其中包括LSTM、GRU和NTM、頂級RNN與人工神經網絡中更廣泛的循環（recurrence）研究的相關性。
RNN研究如何在一系列高難度問題上實作了目前最佳的表現。注意，我們并不會覆寫每一種可能的循環神經網絡，而是會重點關注幾種用于深度學習的循環神經網絡（LSTM、GRU和NTM）以及用于了解它們的背景。
那就讓我們開始吧！概述我們首先會設定循環神經網絡領域的場景；然後，我們将深入了解用于深度學習的LSTM、GRU和NTM；之後我們會花點時間介紹一些與用于深度學習的RNN相關的進階主題。
6、混合動力上CCU是什麼？
在混合動力汽車上普遍地采用以計算機為核心的現代計算機技術和自動控制技術，各種智
能控制系統包括自适應控制技術、模糊控制技術（Fuzzy）、專家控制系統（Expert
System） ,神經網絡控制系統（Neural Networks）等，它逐漸應用到混合動力汽車上，
使混合動力汽更加安全、節能、環保和舒适。
7、變頻器的工作原理，包括電路圖等解釋
變頻調速技術是現代電力傳動技術的重要發展方向，而作為變頻調速系統的核心—變頻器的性能也越來越成為調速性能優劣的決定因素，除了變頻器本身制造技術的“先天”條件外，對變頻器采用什麼樣的控制方式也是非常重要的。本文從工業實際出發，綜述了近年來各種變頻器控制方式的特點，并展望了今後的發展方向。
1、變頻器簡介
1.1 變頻器的基本結構
變頻器是把工頻電源(50Hz或60Hz)變換成各種頻率的交流電源，以實作電機的變速運作的裝置，其中控制電路完成對主電路的控制，整流電路将交流電變換成直流電，直流中間電路對整流電路的輸出進行平滑濾波，逆變電路将直流電再逆變成交流電。對于如矢量控制變頻器這種需要大量運算的變頻器來說，有時還需要一個進行轉矩計算的CPU以及一些相應的電路。
1.2 變頻器的分類
變頻器的分類方法有多種，按照主電路工作方式分類，可以分為電壓型變頻器和電流型變頻器；按照開關方式分類，可以分為PAM控制變頻器、PWM控制變頻器和高載頻PWM控制變頻器；按照工作原理分類，可以分為V/f控制變頻器、轉差頻率控制變頻器和矢量控制變頻器等；按照用途分類，可以分為通用變頻器、高性能專用變頻器、高頻變頻器、單相變頻器和三相變頻器等。
2、變頻器中常用的控制方式
2.1 非智能控制方式
在交流變頻器中使用的非智能控制方式有V/f協調控制、轉差頻率控制、矢量控制、直接轉矩控制等。
(1) V/f控制
V/f控制是為了得到理想的轉矩-速度特性，基于在改變電源頻率進行調速的同時，又要保證電動機的磁通不變的思想而提出的，通用型變頻器基本上都采用這種控制方式。V/f控制變頻器結構非常簡單，但是這種變頻器采用開環控制方式，不能達到較高的控制性能，而且，在低頻時，必須進行轉矩補償，以改變低頻轉矩特性。
(2) 轉差頻率控制
轉差頻率控制是一種直接控制轉矩的控制方式，它是在V/f控制的基礎上，按照知道異步電動機的實際轉速對應的電源頻率，并根據希望得到的轉矩來調節變頻器的輸出頻率，就可以使電動機具有對應的輸出轉矩。這種控制方式，在控制系統中需要安裝速度傳感器，有時還加有電流回報，對頻率和電流進行控制，是以，這是一種閉環控制方式，可以使變頻器具有良好的穩定性，并對急速的加減速和負載變動有良好的響應特性。
(3) 矢量控制
矢量控制是通過矢量坐标電路控制電動機定子電流的大小和相位，以達到對電動機在d、q、0坐标軸系中的勵磁電流和轉矩電流分别進行控制，進而達到控制電動機轉矩的目的。通過控制各矢量的作用順序和時間以及零矢量的作用時間，又可以形成各種PWM波，達到各種不同的控制目的。例如形成開關次數最少的PWM波以減少開關損耗。目前在變頻器中實際應用的矢量控制方式主要有基于轉差頻率控制的矢量控制方式和無速度傳感器的矢量控制方式兩種。
基于轉差頻率的矢量控制方式與轉差頻率控制方式兩者的定常特性一緻，但是基于轉差頻率的矢量控制還要經過坐标變換對電動機定子電流的相位進行控制，使之滿足一定的條件，以消除轉矩電流過渡過程中的波動。是以，基于轉差頻率的矢量控制方式比轉差頻率控制方式在輸出特性方面能得到很大的改善。但是，這種控制方式屬于閉環控制方式，需要在電動機上安裝速度傳感器，是以，應用範圍受到限制。
無速度傳感器矢量控制是通過坐标變換處理分别對勵磁電流和轉矩電流進行控制，然後通過控制電動機定子繞組上的電壓、電流辨識轉速以達到控制勵磁電流和轉矩電流的目的。這種控制方式調速範圍寬，啟動轉矩大，工作可靠，操作友善，但計算比較複雜，一般需要專門的處理器來進行計算，是以，實時性不是太理想，控制精度受到計算精度的影響。
(4) 直接轉矩控制
直接轉矩控制是利用空間矢量坐标的概念，在定子坐标系下分析交流電動機的數學模型，控制電動機的磁鍊和轉矩，通過檢測定子電阻來達到觀測定子磁鍊的目的，是以省去了矢量控制等複雜的變換計算，系統直覺、簡潔，計算速度和精度都比矢量控制方式有所提高。即使在開環的狀态下，也能輸出100%的額定轉矩，對于多拖動具有負荷平衡功能。
(5) 最優控制
最優控制在實際中的應用根據要求的不同而有所不同，可以根據最優控制的理論對某一個控制要求進行個别參數的最優化。例如在高壓變頻器的控制應用中，就成功的采用了時間分段控制和相位平移控制兩種政策，以實作一定條件下的電壓最優波形。
(6) 其他非智能控制方式
在實際應用中，還有一些非智能控制方式在變頻器的控制中得以實作，例如自适應控制、滑模變結構控制、差頻控制、環流控制、頻率控制等。
2.2 智能控制方式
智能控制方式主要有神經網絡控制、模糊控制、專家系統、學習控制等。在變頻器的控制中采用智能控制方式在具體應用中有一些成功的範例。
(1) 神經網絡控制
神經網絡控制方式應用在變頻器的控制中，一般是進行比較複雜的系統控制，這時對于系統的模型了解甚少，是以神經網絡既要完成系統辨識的功能，又要進行控制。而且神經網絡控制方式可以同時控制多個變頻器，是以在多個變頻器級聯時進行控制比較适合。但是神經網絡的層數太多或者算法過于複雜都會在具體應用中帶來不少實際困難。
(2) 模糊控制
模糊控制算法用于控制變頻器的電壓和頻率，使電動機的升速時間得到控制，以避免升速過快對電機使用壽命的影響以及升速過慢影響工作效率。模糊控制的關鍵在于論域、隸屬度以及模糊級别的劃分，這種控制方式尤其适用于多輸入單輸出的控制系統。
(3) 專家系統
專家系統是利用所謂“專家”的經驗進行控制的一種控制方式，是以，專家系統中一般要建立一個專家庫，存放一定的專家資訊，另外還要有推理機制，以便于根據已知資訊尋求理想的控制結果。專家庫與推理機制的設計是尤為重要的，關系着專家系統控制的優劣。應用專家系統既可以控制變頻器的電壓，又可以控制其電流。
(4) 學習控制
學習控制主要是用于重複性的輸入，而規則的PWM信号(例如中心調制PWM)恰好滿足這個條件，是以學習控制也可用于變頻器的控制中。學習控制不需要了解太多的系統資訊，但是需要1~2個學習周期，是以快速性相對較差，而且，學習控制的算法中有時需要實作超前環節，這用模拟器件是無法實作的，同時，學習控制還涉及到一個穩定性的問題，在應用時要特别注意。
3、變頻器控制的展望
随着電力電子技術、微電子技術、計算機網絡等高新技術的發展，變頻器的控制方式今後将向以下幾個方面發展。
(1) 數字控制變頻器的實作
現在，變頻器的控制方式用數字處理器可以實作比較複雜的運算，變頻器數字化将是一個重要的發展方向，目前進行變頻器數字化主要采用單片機MCS51或80C196MC等，輔助以SLE4520或EPLD液晶顯示器等來實作更加完善的控制性能。
(2) 多種控制方式的結合
單一的控制方式有着各自的優缺點，并沒有“萬能”的控制方式，在有些控制場合，需要将一些控制方式結合起來，例如将學習控制與神經網絡控制相結合，自适應控制與模糊控制相結合，直接轉矩控制與神經網絡控制相結合，或者稱之為“混合控制”，這樣取長補短，控制效果将會更好。
(3) 遠端控制的實作
計算機網絡的發展，使“天涯若咫尺”，依靠計算機網絡對變頻器進行遠端控制也是一個發展方向。通過RS485接口及一些網絡協定對變頻器進行遠端控制，這樣在有些不适合于人類進行現場操作的場合，也可以很容易的實作控制目标。
(4) 綠色變頻器
随着可持續發展戰略的提出，對于環境的保護越來越受到人們的重視。變頻器産生的高次諧波對電網會帶來污染，降低變頻器工作時的噪聲以及增強其工作的可靠性、安全性等等這些問題，都試圖通過采取合适的控制方式來解決，設計出綠色變頻器。
4、結束語
變頻器的控制方式是一個值得研究的問題，依靠緻力于這項工作的有識之士的共同努力，使國産變頻器早日走向世界市場并且成為一流的産品。
看完了你就懂了，比較的全面哦！