一类自适应神经网络控制的研究和设计.pdfVIP

一类自适应神经网络控制的研究与设计 秦林 沫原理工大学袁面工程研究所。太原，030024) }囊要： 本文研究了一类自适应神经元同络控翩结}奄和算法．仿真表明它有较好的控制性能． 关鲁I词： 自适应控制：辨识：神经网络 一．引言 如果被控工业对象的模型已知且时不变，利用复合控制、经典的PIE)控制或线性最优 控制就能取得较好的控制效果．但是，随着工业和自动化技术的发展，自动化的领域El趋 广泛．在控制工程中，控制对象差异很大，它们的机理．复杂程度和环境条件可能各不相 同，因此一个受控系统总或多或少地存在某些非线性、时变性、分布性和随机性，面对如 此众多的具有较强不确定性的受控系统，为了设计满意的控制器，就提出了。自适应控制” 的概念． 在自动控制系统的设计中，采用“自适应”的设计思想的历史并不长．它起源于本世 纪五十年代，经过四十余年的不断努力和探索，已有一套比较成熟的理论．但是应当指出 的是它对于非线性系统，目前的方法还不够理想． 自适应控制继续向前发展，就需要具备自组织和自学习的功能．学习是人类智能的主 要标志与获得智能的基本手段。当系统的先验信息相当缺乏，为了保证有效的工作，系统 控制器应具有识别．判断、积累经验和学习的功能．而这个系统的实现，就要利用人工智 能技术．目前，基于人工智能技术的智能控制的研究已全面展开．特别是人工神经元网络 技术，由于它的分布性，并行性、非线性、高度容错性以及学习功能，它已广泛用在自动 控制系统中，并且已提出了许多神经元学习控制算法． 本文主要研究一个自适应神经元网络控制系统，为了适应环境的变化，该控制系统必 须完成两个任务：①系统的辨识；圆对象的控制． 二．自适应神经网络控制系统结构和算法的研究 系统结构图如图l所示．从图可知，该系统由两个环构成：一个是系统辨识环(包括 NNI，PLANT)；一个是系统控制环(包括NNC，PLANT)． 下面分别研究两个环的结构及算法 1．系统的辨识环 系统辨识是利用一组观测到的输入、输出数据来确定动力学系统模型的过程，多层前 馈型神经网络具有良好的逼近非线性函数的能力，因此可用于系统辨识． 首先构造一个多层网络，注意选择好隐节点的数目和初始权值，然后再使用BP算法 反复学习，确定网络的权值．采用神经网络系统辨识分为静态辨识(离线辨识)和动态辨 识(在线辨识)．由于网络的初始权值不好确定，且影响系统的实时性．故本系统采用先 静态辨识．得到一组权值后作为初始权值，再进行动态辨识．其结构图如图2所示． ·121· 图1 团 图2 结构图中实线所画为静态辨识结构，再加上虚线为动态辨识结构． 辨识步骤1：首先进行静态辨识(二个输入节点，六个隐层节点，一个输出节点)．采用 BP算法．误差准则函数为：ay(K+1)=0．5t【y(1(+1)-弧+lj】．选用一组 数据学习，直至满意为止，得到了静态辨识的权值． 辨识步骤2：然后以刚才静态辨识得到的权值为初始值，再加上图中虚线所画的节点，(即 引入了反馈，也须确定几个初始权值)，进行动态辨识．此时，共有四个输 入节点：u(k)，U(k-O，双K)， i(K一1)．六个隐层节点和一个输出节点 认K+1)． 由于动态多层网络引人了时间延迟和反馈机制，它比静态多层网络具有更复杂和更丰 富的动力学行为，从而具备了刻划复杂的非线性动态系统的能力． 动态多层网络BP算法学习有两种方式：一种是模式学习方式，即每送人一个训练样本 (模式)而得到网络输出后，便立刻改变网络权值；另一种学习称为分批学习方式，即通 过T单位时间后，把该时间段内的训练样本集作为一批，所有训练样本都送入网络处理后， ·122· 才改变权值． 本系统采用模式学习方式．BP算法学