第3章人工神经元网络控制论-控制基础..pptVIP

*/68 3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10 单一神经元控制法 目录 */68 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 */68 3.9.1 直接逆模型控制法 训练结构示意图 逆模型训练完毕后直接投入控制系统的运行 */68 直接逆模型控制的结构示意图 不进行在线学习，运行于静态参数环境 缺乏鲁棒性，可在外环增加一个反馈控制 */68 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 */68 3.9.2 直接网络控制法 在网络的输入端引入系统的状态信号 （带时滞的多层前向网络） 将学习机制（BP算法）实时在线用于网络控制器的调整 */68 例3-10 考虑被控系统 假设动力学逆模型成立 ，为 试用直接网络控制法控制。 n=3,m=2 */68 解 构造神经网络结构为Π5,25,12,1。 输出单元层的神经元的激励函数为线性单元 其余层的神经元为Sigmoid激励元。 取η=0.05 期望输出为： */68 学习公式 输出层 隐含层 */68 学习结果 100次 直接网络控制法远远优于直接逆模型控制法 */68 1 摄动法 2 符号函数法 3 前向神经网络方针模型法（前向建模） 4 多网络自学习控制法 （ 逆模型） Jacobian矩阵的替代 当系统未知时，Jacobian矩阵（dy/du）无法直接求得 */68 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 */68 3.9.3 多网络自学习控制法 模型未知的情况 基本思想是利用逆动力学模型和系统的期望输出yd(k+1)去构造一个期望的控制量ud(k)，从而解决了神经控制器Nc在系统模型未知情况下的学习问题。 神经网络辨识和神经网络控制 */68 多网络自学习控制法 神经网络辨识器精确逼近逆模型才能保证Nc 导师信号的可靠性 */68 例3-11 考虑非线性系统 求：试用多神经自学习网络控制方法来设计此系统的非线性控制器，要求系统的期望输出为： */68 解 假设被控对象的逆动力学模型存在，即有： 神经网络辨识器Ni的结构为 ; 神经网络控制器Nc的网络结构为 ; 输出神经元均为线性单元。 第一步：离线辨识产生Ni 第二步：将逆模型Ni和初始控制网络投入学习 控制产生出Nc */68 曲线跟踪效果 多神经网络自学习控制的特点 边控制边辨识 利用期望的输出轨迹信息，经逆模型产生期望的控制量，以此调节网络控制器 具有在线辨识和实时控制的能力 要求被控对象的逆映射是单一的 */68 */68 3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10 单一神经元控制法 目录 */68 3.10 单一神经元控制 式中，1γ0为衰减速率，η0为学习速率, pi(t)表示递进学习策略。 非线性控制器，多输入单输出系统 */68 Hebbian学习 监督学习 联想式学习 z(t) 是教师信号，如控制误差 学习策略 */68 控制系统的一般形式 转换部件输入为设定值、测量值等 输出为误差、误差变化等 */68 直接控制输出 */68 增量式控制输出 */68 增量式PID控制 如取 可得自适应增量式PID控制 * P即deltaw */68 3.7.1 辨识基础 3.7.2 神经网络辨识模型的结构 3.7.3 非线性动态系统的神经网络辨识 3.7 非线性动态系统的神经网络辨识 */68 3.7.2 神经网络辨识模型的结构 逆模型法 前向建模法 */68 前向建模法 所谓前向建模法是利用神经网络来逼近非线性系统的前向动力学模型 。 动态系统的建模：一个办法是对神经网络本身引入动态环节，如动态回归网络和动态神经元模型。 另一个办法是将输入输出的滞后信号加到多层前向网络中形成动态关系。 前向建模法 */68 */68 逆模型法 直接法： 待辨识系统的输出作为神经网络的输入，神经网络的输出与动态系统的输入进行比较，相应的输入误差用来