神经网络控制与应用.pptVIP

实际是自动控制理论在机械制造领域的应用的一部分，最为热门和广泛应用的一部分 自动控制是在没有人直接参与的情况下，通过控制系统是被控对象自动地按照预定规律运行的控制过程。 自动控制系统是由相互联系、相互依赖、相互作用的若干部分组成，具有控制功能的有机整体。 被控对象是指工作状态需要给以控制的装置、设备和过程。 给定量也称控制量，表征被控量的希望运行规律，也是系统的输入量。 扰动量也称干扰量，是引起被控量偏离预定运行规律的量。 从控制理论上而不是控制方法上说控制理论主要分两大类经典控制理论和现代控制理论。 经典控制理论是以传递函数为理论基础，解决单输入、单输出的线性控制系统的分析与设计问题。 现代控制理论主要是以状态方程或模糊数学、神经网络等为理论基础，解决多输入多输出的非线性时变控制系统的分析与设计问题。 自动控制系统的分类 按系统组成的物理性质分 电气控制系统；机械控制系统；流体控制系统；电气—流体控制系统 按系统的数学模型（微分方程）的性质分 线性定常系统； 线性时变系统； 按给定量的变化规律分 恒值控制系统；程序控制系统；随动控制系统 按输入、输出信号连续性分 连续系统；离散系统 按控制量参数的性质分 速度控制；位置控制；力和力矩控制；混合变量控制等系统 按系统有无反馈信号分 开环系统；闭环系统 神经网络控制及其应用 1 神经网络控制产生的背景 3 生物学的启示 为简便起见，也可把网络的阈值以连接数值的形式表示出来，即令，则 式中 —为其它神经元传至本神经元的输入信号， —神经元j的阈值，此阈值决定了该神经元的兴奋与否； —表示从神经元i到神经元j的连接权值； —称为激励函数（也有称为响应函数或传输函数）。 4 神经网络模型的组成 4.1．神经网络连接的结构形式 广泛应用的有教师学习的算法——BP（Back Propagation）算法 BP算法即是误差反向传播算法，该方法已成为神经网络学习中最常用的方法之一。BP算法一般是应用梯度下降原理，样本输入信号在神经网络中正向传播，应用了多层前向神经网络具有的以任意精度逼近非线性函数的能力。而网络输出与样本给定输出值之差（误差）在网络中是反向传播，用于网络的权值的训练。 5.2．网络的计算 对BP控制网络进行训练时，首先要提供训练样本，样本可以形式化为样本对或称模式对 ( )其中Ak为第k个样本的输入模式 ( ) Ck为希望输出模式 ( )它们分别对应于LA层的n个神经元和Lc层的q个神经元。 当网络的实际输出与希望输出一致时，学习过程结束。否则学习系统将根据实际输出和希望输出之间的误差，通过调整连接权值使网络的实际输出趋向于希望输出。 BP网络样本输入学习算法程序框图如图10所示。并以图11三层（LA，LB，LC）BP神经网络为例进行学习过程的演示。 三层BP神经网络拓扑结构 BP三层神经网络学习算法各种参数及计算公式见表1。 学习训练步骤如下：第1步：网络初始化输入层LA到隐含层LB的权值矩阵为 输出层LC-各神经元阈值为 第3步：进行误差计算 （2）隐含层Lb和输出层Lc权值的调整根据（20）式 调整其LB至LC权值，则按学习步长（也称学习率）的范围： 给定 。 根据（21）式 调整LA至LB权值,则 （3）网络输出层Lc和隐含层Lb阈值的调整值计算 在此根据LC层的误差值d判断是否满足给定的精度系数，如果不满足再进行第2次的循环调整，再从第2步开始运行，以后为了简化只给出调整结果。 第3次循环调整 BP神经网络样本输入信号正向传播和误差反向传播的过程，就是在不断地调整权值和阈值的过程，可以使网络以任意精度逼近任意非线性函数，也就是随着循环调整次数的增加，其输出层的误差值d在不断地减小，直至趋近于零，这是总的趋势，但不排除在训练过程中出现d值增大的现象，特别是前些次调整，本例的最初几次调整,d值可能有所增大。产生这种现象的原因是网络学习训练过程中出现振荡现象。这与学习率 和 的取值有关，和 的值取的过大就会出现振荡现象。 隐含层LB阈值，根据（26）和（37）式得 经过上述计算在输出