2015智能控制第五章分析报告.ppt

多网络学习法 2. 建立未知非线性动态系统的逆模型。 第三节 神经网络控制的学习机制 图5-24 逆模型建模的多网络控制结构图 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 二、直接网络控制设计法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 最直观的一种神经网络控制器的实现方法 图5-25 直接逆模型的训练结构示意图 直接逆模型控制法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 第四节 神经网络控制器的设计 一、神经网络直接逆模型控制法 第四节 神经网络控制器的设计 二、直接网络控制设计法 问题：直接逆模型控制法没有考虑到系统本身的输入输出状态，因此，一旦系统运行的环境、参数发生变化时，这类控制器就无法适应了。 改进方案： 第四节 神经网络控制器的设计 二、直接网络控制设计法 第四节 神经网络控制器的设计 二、直接网络控制设计法 第五章 小 结 1. 神经网络控制的优越性 2. 七种常见的神经网络控制结构 3. 四种离散非线性系统的神经网络辨识算法 4. 监督式学习：有导师指导下的控制网络学习。 5.神经网络控制器的设计 ①前向建模 ②逆模型法 ①神经网络直接逆模型控制法；②直接网络控制设计法 离线学习法、在线学习法、反馈误差学习法、多网络学习法 采用神经网络逼近下列函数： 双极值算例 x∈[0,3] 实验2：神经网络 也可以结合其他智能控制方法做此实验，可以改变此函数为多极值非线性函数。 BJTU 智能控制 Yanxin Zhang 张严心 Dept. of Automation, NJTU 2015 第五章 神经网控制论 引言 非线性动态系统的神经网络辨识 神经网络控制的学习机制 神经网络控制器的设计 第一节 引言 一、神经网络控制的优越性 二、神经网络控制器的分类 三、神经网络的逼近能力 第一节 引言 基于专家经验和领域知识总结出若干条模糊控制规则，构成描述具有不确定性、复杂对象的模糊关系，通过被控系统输出误差及误差变化和模糊关系的推理合成获得控制量，从而对系统进行控制。 一、神经网络控制的优越性 是根据被控对象的数学模型及对控制系统要求的性能指标来设计控制器，并对控制规律加以数学解析描述。 具有很强的逼近非线性函数的能力，即非线性映射能力，神经网络用于控制正是利用这个独特的优点。 传统的基于模型的控制方式 模糊控制 神经网络控制 第一节 引言 一、神经网络控制的优越性 神经网络可以处理那些难以用模型或规则描述的过程或系统。 2. 神经网络采用并行分布式信息处理方式，具有很强的容错性。 3. 神经网络是本质的非线性系统。 4. 神经网络具有很强的信息综合能力。 5. 神经网络的硬件实现愈趋方便。 （1） 优越性 第一节 引言 一、神经网络控制的优越性 （2） 在控制中的主要作用 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 第一节 引言 二、神经网络控制器的分类 图5-6 自适应评价网络结构图 第一节 引言 二、神经网络控制器的分类 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 二、神经网络辨识模型的结构 三、非线性动态系统的神经网络辨识 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 所谓辨识，是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。 三个要素： 输入/输出数据指能够量测到的系统的输入/输出。 模型类指所考虑的系统的结构。 等价准则指辨识的优化目标。 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 神经网络系统本质上是一种非线性映射，它可以从某一输入空间通过网络变换，映射到输出空间。因此，训练神经网络的过程是非线性函数的逼近过程。多层前向传播网络能够逼近 空间上的任意非线性函数。关键在于如何确定隐含层和隐含激励神经元的个数。 需要考虑的三大因素： 模型的选择 输入信号的选择 误差准则的选择 持续激励信号，充分激励 足以覆