神经网络与神经网络控制.ppt

推荐课后阅读资料 Simon Haykin.神经网络的综合基础(第2版). 清华大学出版社,2001 Martin T.Hagan.神经网络设计.机械工业出版社,2002 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * (2) 网络的学习和训练 网络学习的目的是通过给出一组学习样本，经学习后得到Boltzmann机各种神经元之间的连接权wij . Boltzmann机网络学习的步骤可归纳如下： 1). 随机设定网络的连接权wij(0)及初始高温。 2). 按照已知的概率p(xα)，依次给定学习样本。在样本的约束下，按照模拟退火程度运行网络，直至达到平衡状态，统计出各pij。在无约束条件下，按同样的步骤并同样的次数运行网络，统计出各p’ij。 3). 按下述公式修改权值 wij(k+1)=wij(k)+η(pij-p’ij), η0 4). 重复上述步骤，直到pij-p’ij小于一定的容限。 * 5.4 神经网络PID控制 尽管神经网络控制技术有许多潜在的优势，但单纯使用神经网络的控制方法的研究仍有待进一步发展。通常将人工神经网络技术与传统的控制理论或智能技术综合使用。神经网络在控制中的作用有以下几种： 1．在传统的控制系统中用以动态系统建模，充当对象模型； 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．与其他智能控制方法如模糊逻辑、遗传算法、专家控制等相融合。 * 5.4.1 基于BP神经网络控制参数自学习PID控制 BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，可以找到某一最优控制律下的P，I，D参数。基于BP神经网络的PD控制系统结构如图所示，控制器由两个部分组成：①经典的PID控制器：直接对被控对象进行闭环控制，并且KP,KI,KD三个参数为在线整定；②神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。 * * 基于BP神经网络的PID控制算法可归纳如下： 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率η和平滑因子α，k=1； 2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6). 计算修正输出层的权系数w(3)li(k)； 7). 计算修正隐含层的权系数w(2)ij(k)； 8). 置k=k+1，返回到“2）”。 * 5.4.2 改进型BP神经网络控制参数自学习PID控制 将神经网络用于控制器的设计或直接学习计算控制器的输出（控制量），一般都要用到系统的预测输出值或其变化量来计算权系数的修正量。但实际上，系统的预测输出值是不易直接测得的，通常的做法是建立被控对象的预测数学模型，用该模型所计算的预测输出来取代预测处的实测值，以提高控制效果。 * (1)采用线性预测模型的BP神经网络PID控制器 * 采用线性预测模型的BP神经网络PID控制系统算法如下： 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0), w(3)li(0)，选定学习速率η和平滑因子α，k=1； 2). 用线性系统辨识法估计出参数矢量θ(k)，从而形成一步预报模型式； 3). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 4). 对r(i),y