智能控制第5章 神经网络在控制中应用.pptVIP

第5章 神经网络在控制中的应用 神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.1 神经网络系统辨识 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2.8 神经网络滑模控制(neural network sliding mode control) 神经网络用于逼近被控对象由于建模误差和外部干扰造成的不确定性，而后将神经网络的逼近误差看作一个有界的不确定性，由滑模变结构控制律给予补偿和控制。 神经网络在控制中的应用 * 系统辨识是自适应控制的关键所在，它通过测量对象的输入输出状态来估计对象的数学模型，使建立的数学模型和对象具有相同的输入输出特性。 神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。 神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近实际系统的数学模型。 5.1.1 神经网络系统辨识的原理 系统辨识的原理就是通过调整辨识模型的结构来使e最小。 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。 5.1.2多层前向BP网络的系统辨识 假设非线性对象的数学模型可以表示为： 其中f(﹒)是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。 多层前向BP网络系统辨识原理图 网络的输出可以通过下式计算得到： H(*)表示隐层神经元的激发函数 Wij(1),Wj(2)分别表示网络第1-2层和2-3层的连接权值 定义网络训练的目标函数为： 则网络训练的BP算法可以描述为： 5.1.3 递归神经网络系统辨识 递归神经网络结构 递归神经网络的输入输出关系可以描述为： H(*)表示隐层神经元的激发函数 Wij(1),Wjk(2)分别表示网络第1-2层和2-3层的连接权值 Wi(0)表示网络第一层的递归权值 由于递归神经网络本身具有动态反馈环，可以记录以前的状态，因此用递归神经网络来对非线性对象进行辨识时只需以对象当前的输入状态u(t)和前一时刻的输出状态y(t-1)作为网络的输入即可，与前向多层神经网络相比，网络的结构较为简单。 神经网络在控制中主要起以下作用： (1)在基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用； (3)在传统控制系统中起优化计算作用； (4)在与其它智能控制方法和优化算法相融合中,为其提 供对象模型、优化参数、推理模型及故障诊断等。 5.2.1 神经网络直接反馈控制系统 神经网络直接用作误差闭环系统的反馈控制器，神经网络控制器首先利用其它已有的控制样本进行离线训练，而后以系统的误差的均方差为评价函数进行在线学习。 5.2.2 神经网络逆控制(neural network inverse control) 自适应逆控制的基本思想就是用被控对象传递函数的逆模型作为串联控制器对控制对象实施开环控制。 神经网络先离线学习被控对象的逆动力学模型，然后用作对象的前馈串联控制器。由于开环控制缺乏稳定性，所以神经网络还需要根据系统的反馈误差在线继续学习逆动力学模型。 5.2.3 神经网络内模控制(neural network inner mode control) 1) 当模型精确时，对象和控制器同时稳定就意味闭 环系统稳定； 2) 当闭环系统稳定时，若控制器取为模型逆，则不 论有无外界干扰d，均可实现理想控制y=r； 3) 当闭环系统稳定时，只要控制器和模型的稳态增 益乘积为1，则系统对于阶跃输入及阶跃干扰均不 存在输出静差。 将对象模型与实际对象相并联，控制器逼近模型的动态逆。一般有两种方法： 1) 两个神经网络分别逼近模型和模