【廣告】
人工智能控制器
決策機TMAI模型可以處理大量實時性數據,從數據中挖掘系統(tǒng)能耗潛力,給出超出傳統(tǒng)經驗的控制模式,可進一步精細調控,即使到了深寒期,依然實現節(jié)能運行。1、以“室”為終:以室溫為控制目標,穩(wěn)定室溫,平抑波動;快速調整、穩(wěn)定室溫,回到供熱的初衷:滿足用戶的室溫舒適。即使到了深寒期,依然實現節(jié)能運行。
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、模糊、模糊神經,以及遺傳算法都可看成一類非線性函數近似器。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函數近似器比常規(guī)的函數估計器具有更多的優(yōu)勢,它們的設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計時往往有很多不確實性因素,例如:參數變化,非線性時,往往不知道)。
在各種出版物中,介紹了許多被模糊化的控制器,但這應與“充分模糊”控制器完全區(qū)分開來,“充分模糊”控制器才是完全意義上的模糊控制器,被模糊化的控制器易于實現,往往通過改造現有古典控制器得以實現,如被模糊化的PI控制器(FPIC)使用模糊邏輯改變控制器的比例、積分參數,從而使系統(tǒng)的性能得到提高
誤差反向傳播技術是多層前聵ANN常用的學習技術。如果網絡有足夠多的隱藏層和隱藏結點以及適宜的激勵函數,多層ANN只能實現需要的映射,沒有直接的技術選擇優(yōu)隱藏層、結點數和激勵函數,通常用嘗試法解決這個問題,反向傳播訓練算法是基本的快下降法,輸出結點的誤差反饋回網絡,用于權重調整,搜索優(yōu)。