神经网络控制48910.pptVIP

值的选择非常重要。 越大，则快速性越好，但超调量大，甚至可能使系统不稳定。当被控对象时延增大时， 值必须减少，以保证系统稳定。 值选择过小，会使系统的快速性变差。 输入指令为一方波信号 采样时间为1ms，采用单神经元自适应控制律进行控制。 仿真程序：chap9_1.m 9.3.2 仿真实例 被控对象为 9.4 RBF网络监督控制 9.4.1 RBF网络监督控制算法 基于RBF网络的监督控制系统结构如图9-14所示。 图9-14 神经网络监督控制 在RBF网络结构中，取网络的输入为 ， 网络的径向基向量为 ， 为高斯基函数： 其中 ， 为节点 的基宽度参数， ， 为网络第个结点的中心矢量， ， 。 网络的权向量为： RBF网络的输出为： 　 　 其中 为RBF网络隐层神经元的个数。 控制律为： 设神经网络调整的性能指标为： 采用梯度下降法调整网络的权值： 近似地取 由此所产生的不精确通过权值调节来补偿。 神经网络权值的调整过程为： 其中 为学习速率， 为动量因子。 则 9.4.2 仿真实例 ? 被控对象为： RBF网络监督控制程序为chap9_2.m 9.5 RBF网络自校正控制 9.5.1 神经网络自校正控制原理 自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。 神经间接自校正控制结构如图9-17所示，它由两个回路组成： （1）自校正控制器与被控对象构成的反馈回路。 （2）神经网络辩识器与控制器设计，以得到控制器的参数。 辩识器与自校正控制器的在线设计是自校正控制实现的关键。 图9-17 神经网络间接自校正控制框图 控制器设计 神 经 网 络 辩 识 器 自校正 控 制 器 被 控 对 象 9.5.2 自校正控制算法 考虑被控对象： 其中 ， 分别为对象的输入、输出， 为非零函数。 若 ， 已知，根据“确定性等价原则”，控制器的控制算法为： 若 ， 未知，则通过在线训练神经网络辨识器，由辨识器结果 、 代替 、 ，控制器的控制算法为： 9.5.3 RBF网络自校正控制算法 采用两个RBF网络分别实现未知项 、 的辨识。RBF网络辨识器的结构如图9-18所示， 和 分别为两个神经网络的权值向量。 图9-18 神经网络辨识器 在RBF网络结构中，取网络的输入为 ，网络的径向基向量为 ， 为高斯基函数： 其中 。 为节点 的基宽度参数， ， 为网络第 个结点的中心矢量， ， 。 两个RBF网络的输出分别为： 辨识后，对象的输出为： 其中 为RBF网络隐层神经元的个数。 网络的权向量为： 采用梯度下降法调整网络的权值： 设神经网络调整的性能指标为： 神经网络自校正控制系统的结构如图9-19所示。 神经网络权值的调整过程为： 其中 和 为学习速率， 为动量因子。 图9-19 神经网络自校正控制框图 9.5.4 仿真实例 ? 被控对象为： 其中 ， 。 RBF网络自校正控制程序为chap9_3.m。 9.6 基于RBF网络直接模型参考自适应控制 9.6.1 基于RBF网络的控制器设计 控制系统的结构如图9-23所示。 设参考模型输出为 ，控制系统要求对象的输出 能够跟踪参考模型的输出 。 则跟踪误差为： 图9-23 基于RBF网络的直接模型参考自适应控制 指标函数为： 　　　　　　 　　 　　控制器为RBF网络的输出： 　 　 　 其中 为RBF网络隐层神经元的个数， 为第 个网络隐层神经元与输出层之间的连接权， 为第个 隐层神经元的