智能控制(第三版)chap9-神经网络控制.pptVIP

其中 x为网络输入，j为网络隐层神经元编号, h=[hj]T为网络的高斯基函数输出，W*为网络的理想权值，e为网络的逼近误差，e=eN。当网络输入为x=[x1 x2]T时，网络输出为： 9.7.2 RBF网络原理 采用RBF网络逼近上述未知函数f(x)的算法为： 设计控制律为： 9.7.3 控制算法设计与分析 由于 定义Lyapunov函数为： 其中 则 权值误差! 系统稳定。 则 取 自适应律取为: 则 通过前面分析可知，基于滑模控制器设计的方法，RBF网络参数不需要采用梯度下降法进行更新 根据网络输入x1 和x2 的范围，选择ci和 bi分别为[-2 -1 0 1 2] 和3.0，W初始值全部取0.1。仿真程序为chap9_5sim.mdl, chap9_5ctrl.m, chap9_5plant.m, chap9_5plot.m。 9.7.4 仿真实例 考虑如下被控对象： 其中f(x) = 10x1x2，设位置指令为xd=sin(t)。控制律和自适应律分别如下： chap9_5sim.mdl 控制器函数： function sys=mdlDerivatives(t,x,u) global b c lama xd=sin(t); dxd=cos(t); x1=u(2); x2=u(3); e=x1-xd; de=x2-dxd; s=lama*e+de; xi=[x1;x2]; h=zeros(5,1); for j=1:1:5 h(j)=exp(-norm(xi-c(:,j))^2/(2*b^2)); end gama=1500; for i=1:1:5 sys(i)=gama*s*h(i); end 控制器函数： function sys=mdlOutputs(t,x,u) global b c lama xd=sin(t); dxd=cos(t); ddxd=-sin(t); x1=u(2); x2=u(3); e=x1-xd; de=x2-dxd; s=lama*e+de; W=[x(1) x(2) x(3) x(4) x(5)]; xi=[x1;x2]; h=zeros(5,1); for j=1:1:5 h(j)=exp(-norm(xi-c(:,j))^2/(2*b^2)); end fn=W*h; xite=1.50; ut=-lama*de+ddxd-fn-xite*sign(s); sys(1)=ut; sys(2)=fn; 图9.25 位置和速度跟踪 图9.26 f(x)及逼近 END * 设神经网络调整的性能指标为： 近似地取 由此所产生的不精确通过权值调节来补偿。 控制律为： * 神经网络权值的调整过程为： 采用梯度下降法调整网络的权值： 其中h为学习速率，a为动量因子。 这里没有考虑更新中心C和宽度b。 * 9.4.2 仿真实例 ? 被控对象为： RBF网络监督控制程序为 chap9_2.m * %RBF Supervisory Control clear all; close all; ts=0.001; sys=tf(1000,[1,50,2000]); dsys=c2d(sys,ts,z); [num, den]=tfdata(dsys,v); y_1=0; y_2=0; u_1=0; u_2=0; e_1=0; x=[0,0]; b=0.5*ones(4,1); c=[-2 -1 1 2]; w=rands(4,1); w_1=w; w_2=w_1; xite=0.30; alfa=0.05; kp=25; kd=0.3; for k=1:1:1000 time(k)=k*ts; r(k)=0.5*sign(sin(2*2*pi*k*ts)); y(k)=-den(2)*y_1-den(3)*y_2+num(2)*u_1+num(3)*u_2; … * * 9.5 RBF网络自校正控制 9.5.1 神经网络自校正控制原理 有两种结构：直接型与间接型。 直接型自校正控制也称直接逆动态控制，属于前馈控制。 间接自校正控制是一种由辨识器对对象参数在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，通常用于结构已知而参数未知但恒定（或者参数缓慢时变）的随机系统。 * 神经网络间接自校正控制结构如图9-17，它由两个回路组成： （1）自校正控制器与被控对象构成的反馈回路。 （2）控制器参数调整回路（由神经网络辨识器构成）。 神经网络 辩识器 自校正控制器 被控 对象 r y u 图9-17 神经网络间接自校正控制框图 * 其中u，y分别为对象的输入和输出，j[·]为非零