神经网络控制5控制.pptVIP

神经网络原理 2004NNC 神经网络控制器设计 4.1 引言 4.2 监督学习NN控制器 4.3 NNMRAC（Model-Reference Adaptive Control） 4.4 神经网络自校正控制（NNSTC） 4.5 NN直接自适应控制 4.6 NN-PID控制 引言 NN在控制器设计中的几条路 存在的几个问题 本章简介 NN控制器几条路 与已有控制结构的结合，如：NN自适应控制（NN MRAC 、NN STR：直接、 间接）、NN-PID、NN-IMC（PC） 与已有控制方法的结合，如：NN-Fuzzy控制、NN-expert控制 NN特有的控制器设计方法，如：监督学习控制（SNC）、评价学习控制器（ACE）、无模型的控制器设计方法（单个元的或网络的，即按误差调整的） 存在的几个问题 缺乏一种专门适用于控制的动态神经网络（目前方法：静态网络处理动态问题，不可避免的带来差分方程定阶问题） 稳定性、鲁棒型分析困难 简介 监督学习控制 NN自适应（MRAC和STR） NN-PID NN-无模型控制(单个神经元) 监督学习NN控制器 问题的提出 SNC设计： 控制系统结构 思路 实例 问题的提出当对象动力学特性未知时系统可控，人的知识如何传递给控制装置？ 解决思路： 利用专家控制、规则控制 采用监督（导师）NN控制（SNC） 控制系统结构 思路 弄清人在控制过程中利用了过程或人本身的何种信息 构造NNC 考虑问题：何种网络、结构（层数）参数、训练方法（实时性、收敛性） SNC的训练过程 在人进行控制时，将控制信号及过程收集起来以此为数据, 训练可以是离线的也可以是在线的，即人一边控制NNC一边学习。 训练结束后，网络实现了以参考信号及以往控制轴上y为网络输入，当前控制u为网络输出的I/O映射，即可实现正确控制。 小车倒立摆系统的控制 示意图 数学model： 令 为小车位置、速度、杆角度、角速度 3. NN控制器 小车－倒立摆 示意图 NN控制器为四层BP网4-16-4-1结构，S型作用函数 训练用数据：Ii =Z 输出u(k) 输出值 控制区间 仿真时用：导师为线性或非线性的控制律 取M=1kg，m=0.1kg， f=5.1kg/s，g=9.81m/ 控制结果 线性控制为状态反馈： 训练20000次后NN可实现线性律 K=[11.01，19.68，96.49，35.57] 非线性：80000次 反馈线性化及解耦变换 人控制：40000次 训练结束后，SNC比 人本身操作更好 训练后，SNC还可继续在线学习以 适应新的扰动、取得新的控制策略样本、 增强对系统的全面了解。 NN-MRAC MRAC的思路 NN MRAC 1）NN控制器 2）控制框图 3）例1 4）例2 MRAC的思路 一般控制系统可包含前馈和反馈控制器两种（前馈：由期望输出产生控制信号，反馈：由期望与实际之差产生控制信号） MRAC思路是给定期望响应的动态模型， 利用期望与实际输出之差去改变调节器参数，使对象+控制器形成的闭环系统对给定信号的响应与参考模型一致。当给定模型稳定时，闭环系统稳定并改善了动态响应。 调节机构设计：可利用Lyapunov或Popov方法以保证闭环的稳定 一般控制系统框图 NN控制器 辨识+在线控制器设计（泛化学习），间接控制 误差直接改变控制器参数（特定学习），直接控制 泛化学习+自适应 NN MRAC MRAC控制系统 NN-MRAC框图 NNI-辨别器 NNC-控制器  NNI-对象辨识，目的、预报对象输出 做法： 准则： NNC-使 小数 准则： 控制周期 辨识周期 按常规自适应方法选取