新先进控制理论及其应用 教学课件 葛宝明 林飞 第9章　神经网络控制.pptVIP

　从相电流、转子位置到相转矩的建模 0916.tif 2)在隐含层与输入层间，联接权值与阈值调整满足 0917.tif 　从相转矩、转子位置到相电流的建模 0918.tif 　从相转矩、转子位置到相电流的建模 0919.tif 　从相电流、转子位置到相绕组磁链的建模 0920.tif 　从相绕组磁链、转子位置到相电流的建模 9.4.2　基于神经网络的SRM转矩控制 　从相绕组磁链、转子位置到相电流的建模 0921.tif 　从相绕组磁链、转子位置到相电流的建模 0922.tif 　基于转矩分配函数的两相重叠导通换相策略 0923.tif 　网络模型的校验 0924.tif 　网络模型的校验 0925.tif 　网络模型的校验 0926.tif 　电流滞环控制系统 0927.tif 　电流滞环控制系统 0928.tif 　电流滞环控制系统 0929.tif 　电流滞环控制系统 0930.tif 9.5　恒温箱的柔性神经自校正PID控制 9.5.1　基于柔性神经网络的自校正PID控制9.5.2　学习算法9.5.3　仿真结果 9.5　恒温箱的柔性神经自校正PID控制 0931.tif 9.5.1　基于柔性神经网络的自校正PID控制 0932.tif 9.5.1　基于柔性神经网络的自校正PID控制 0933.tif 9.5.3　仿真结果 0934.tif 9.5.3　仿真结果 0935.tif 9.5.3　仿真结果 0936.tif 9.5.3　仿真结果 0937.tif 9.5.3　仿真结果 0938.tif 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 第9章　神经网络控制 9.1　神经网络理论基础9.2　柔性神经网络9.3　神经网络控制9.4　基于神经网络的SRM建模与控制9.5　恒温箱的柔性神经自校正PID控制 9.1　神经网络理论基础 1)信息处理由神经元间的相互作用实现，具有并行处理的特点。2)知识与信息的存储表现为神经元间分布式的物理联系。3)网络的学习决定于神经元联接权及神经元的动态演化过程。4)具有联想记忆特性。 9.1　神经网络理论基础 9.1.1　神经元9.1.2　Sigmoid函数9.1.3　前馈神经网络结构9.1.4　BP学习算法9.1.5　几个问题 9.1.1　神经元 0901.tif 9.1.2　Sigmoid函数 1. 单极性Sigmoid函数2. 双极性Sigmoid函数 1. 单极性Sigmoid函数 0902.tif 2. 双极性Sigmoid函数 0903.tif 9.1.3　前馈神经网络结构 0904.tif 9.1.4　BP学习算法 (1)正向传播　输入信号从输入层经过隐含层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。(2)反向传播　将误差(样本输出与网络输出之差)按原联接通路反向计算，由梯度下降法调整各层神经元间的联接权值和各神经元阈值，使误差减小。 9.1.5　几个问题 1. 输入/输出节点2. 网络层数3. 隐含层神经元数4. 每层的映射函数5. 初始权值与阈值的选取6. 学习速率的选取7. 期望误差的选取8. 样本数据的建立 9.2　柔性神经网络 9.2.1　柔性单极性Sigmoid函数9.2.2　柔性双极性Sigmoid函数9.2.3　柔性Sigmoid函数的进一步演化9.2.4　学习算法 9.2.1　柔性单极性Sigmoid函数 0905.tif 9.2.2　柔性双极性Sigmoid函数 0906.tif 9.2.3　柔性Sigmoid函数的进一步演化 0907.tif 9.2.4　学习算法 0908.tif 9.2.4　学习算法 0909.tif 9.3　神经网络控制 9.3.1　神经自校正控制9.3.2　神经PID控制器 9.3.1　神经自校正控制 1)控制器与被控对象构成的反馈回路。2)神经网络辨识器与控制器参数设计回路，用以修改控制器参数。 2)神经网络辨识器与控制器参数设计回路，用以修改控制器参数。 0910.tif 2)神经网络辨识器与控制器参数设计回路，用以修改控制器参数。 0911.tif 2)神经网络辨识器与控制器参数设计回路，用以修改控制器参数。 0912.tif 9.3.2　神经PID控制器 1. 常规PID控制器2. 神经网络PID控制器 1. 常规PID控制器 对于非线性、不确定、不确知对象，参数KP、KI和KD应能自适应调整，确保对象输出跟踪参考给定。 应用神经网络的学习能力，可使PID参数能够自动适应对象的变化特性或克服扰动的影响，确保系统的控制性能。 2. 神经网络PID控制器 1)