A神经网络3.4神经网络控制论(引论与辨识).ppt

第五章：神经网络控制论 第一节　引言 一、神经网络控制的优越性 　从控制角度看，神经网络用于控制的优越性主要表现为：神经网络的智能处理能力及控制系统所面临的愈来愈严重的挑战是神经网络控制的发展动力。由于神经网络本身具备传统的控制手段无法实现的一些优点和特征，使得神经网络控制器的研究迅速发展。 　　2）并行分布式信息处理方式，具有很强的容错性。在处理实时性要求高的系统显示出极大的优越性。 　5）硬件实现愈趋方便。大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段。 神经网络控制系统设计中的应用一般分为两类，一类称神经控制，它是以神经网络为基础而形成的独立智能控制系统； （1）导师指导下的控制器　神经网络控制结构的学习样本直接取自于专家的控制经验。结构示意图如图5-1所示： 神经网络的输入信号来自传感器的信息和命令信号。神经网络的输出就是系统的控制信号。  （2）逆控制器。 如果一个动力学系统可以用一个逆动力学函数来表示，则采用简单的控制结构和方式是可能的。如下所示。 图5-2　逆控制器的结构图 神经网络的训练器目的就是为了逼近此系统的逆动力学模型。 神经网络接受系统被控状态信息，神经网络的输出与该被控制系统的控制信号之差作为调整神经网络权系数的校正信号，并可利常规的BP学习算法（改进的算法更佳）来进行控制网络的训练。 一旦训练成，即要实现期望的控制输出只要将此信息加到神经网络的输入端就可以。 　（3）自适应网络控制器　下图给出了自适应网络控制器的系统结构。将控制误差　（实际系统的输出与参考模型的输出之差）反馈到控制器中去并利用它对控制器特性进行修正最终使其误差趋于极小。 自适应网络控制器有两个控制结构；一是直接自适应网络控制结构；二是间接自适应网络控制结构。直接自适应网络控制结构是将系统误差信号　直接用于神经控制器的自适应调整。但目前还没有一种可行的方法来解决未知动力学模型的控制问题。间接自适应网络控制结构利用神经网络辨识器和神经网络控制器代替经典控制结构中的辨识模型和控制器，使得系统的学习和控制能够实现。 （4）神经内模控制结构 此控制结构，在反馈回路中直接使用系统的前向模型和逆模型。如下图所示。 在内模控制结构中，与实际系统并行的网络模型一并建立，系统实际输出与模型　的输出信号差用于反馈的目。这个反馈信号通过前向通道上的控制子系统　预处理，通常 是一个滤波器，用于提高系统的鲁棒性。系统模型　和　由神经网络来实现。 （5）前馈控制结构 　基于鲁棒性问题而提出来的。通常单纯的求逆控制结构不能很好地起到抗干扰能力，而结合反馈控制的思想组成前馈补偿器的网络控制结构 图5-5　前馈补偿控制结构图 　 （6）自适应评价网络　整个学习系统由一个相关的搜索单元和一个自适应评价单元组成。在这个算法中，相关搜索单元是作用网络，自适应评价单元为评价网络。不需要控制系统数学模型，只是通过对某一指标准则的处理和分析得到奖励或惩罚信号。 三、神经网络的逼近能力 　在研究控制系统的神经网络辨识和控制时，首先要搞清楚到底什么样的被控系统可以用神经网络来描述。 　本节只介绍一种比较成熟的多层前向传播神经网络的逼近能力。由于这种神经网络广泛用于控制系统的辨识和控制中，所以对它的进一步研究必将具有重要意义。 　本节将回答多层前向传播神经网络是否只是一般的个例经验性的成功。 　1988年结论3　单层隐含层前向传播神经网络的映射能力，且对神经元激励函数并不一定是单调S型的限制。结论指出，对于在紧凑集中的任何平方可积函数可以通过有限个隐含神经元组成的二层前向传播神经网络来逼近，并能达到任意的逼近精度。考虑具有单个隐含层的前向传播神经网络其输出属于集合。 式中，x表示n维输入矢量， 表示隐含层第　个神经元到输出层权值；　表示输入矢量到隐含第　个神经元的权值矢量； 为隐含层神经元个数；　为隐含层神经元特征。 这里，我们只考虑仅含一个隐含层的神经元网络。不难看出，只要这样的神经网络能够逼近任意非线性函数，那么，对于含有多个隐含层的神经网络肯定也能逼近任意非线性函数。 为了讨论输出函集合　　在函数空间中的逼近能力，先引入一些数学定义。 其中数学内容略　结论：定理5-1若神经元的激励函数　是S型连续函数，那么，　　在　　中是　　稠密。 这个定理说明，只要是有限空间中的连续函数　　，总存在具有上述神经元特征　的三层网络　　，使得其输出函数　　能够以任意精度逼近　　。对于连续函数　　而言，我们已有了明确的结论。那么，对于非连续函数是否也有类似的神经网络来逼近它呢？如果能够实现这样的逼近，则结论该如何？结论是多层前向传播神经网络可以逼近任意连续函数和分段连续函数。　 第二节　非线性动态系统的神经网络辨识 一、神经网络的辨识基础 辨识是在输入和输