第六章神经网络控制.pptVIP

第六章 神经网络控制 神经网络（neural networks，NN） 人工神经网络：由许多处理单元，又称神经元，按照一定的拓扑结构相互连接而成的一种具有并行计算能力的网络系统。 特点： 神经网络系统以大规模模拟并行处理为主，而不以串行离散数学符号处理为基础； 神经网络系统具有较强的鲁棒性和容错性，能够进行联想、概括、类比和推广，任何局部的损伤不会影响整体结果； 神经网络系统具有较强的自学习能力，系统可以通过不断的学习，不断地补充和完善自己的知识，这是传统的人工智能专家系统所没有的能力。 人工神经元是生物神经元的数学抽象 前馈型（ 前向型） 反馈型 例 输入输出样本： 测试数据： 例 设计一个三层BP网络对数字0至9进行分类。 每个数字用9?7的网格表示，灰色像素代表0，黑色像素代表1。将每个网格表示为0，1的长位串。位映射由左上角开始向下直到网格的整个一列，然后重复其他列。 选择BP网络结构为63-6-9。97个输入结点，对应上述网格的映射。9个输出结点对应10种分类。 使用的学习步长为0.3。训练600个周期，如果输出结点的值大于0.9，则取为ON，如果输出结点的值小于0.1，则取为OFF。 测试结果表明：除了8以外，所有被测的数字都能够被正确地识别。 对于数字8，神经网络的第6个结点的输出值为0.53，第8个结点的输出值为0.41，表明第8个样本是模糊的，可能是数字6，也可能是数字8，但也不完全确信是两者之一。 当训练成功后，对如图所示测试数据进行测试。测试数据都有一个或者多个位丢失。 神经网络控制 一、神经网络控制的优越性 神经网络具有以下特性——冗余性、容错性、本质的非线性、自组织、自学习、自适应； 神经网络应用的领域——最优化、模式识别、信号处理、图形图像处理。 控制理论发展过程：经典控制理论、状态空间、动态规划、最优控制、智能控制。 许多难确定的非线性系统和控制精度的要求很高，需要新的控制系统具有自适应的能力、良好的鲁棒性和实时性、计算简单、柔性结构和自组织并行离散分布处理等智能信息处理的能力。——产生了神经网络控制系统。 神经网络控制的优越性 神经网络控制的优越性主要表现为： 1、神经网络可以处理那些难以用模型或者规则描述的过程或系统，例如人骑自行车； 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。可以同时处理不同类型的信息，具有很好的互补性与冗余性。利用神经网络，人们可以有效进行信息的融合来达到运动学、动力模型和环境模型间的有机结合。 5、神经网络的硬件实现非常方便。大规模集成电路技术的发展为神经网络硬件的实现提供了技术手段。 神经网络控制器的类型 1、神经网络监督控制器 神经网络控制器的类型 神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。 神经网络控制器的类型 2、神经网络直接逆控制器 神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。 显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。 神经网络控制器的类型 下图为神经网络直接逆控制的两种结构方案。在图(a)中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。在图(b)中，神经网络NN通过评价函数进行学习，实现对象的逆控制。 神经网络控制器的类型 （a） 神经网络控制器的类型 （b） 神经网络控制器的类型 3、自适应网络控制器 与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。 神经网络控制器的类型 1）神经网络自校正控制 神经网络自校正控制分为直接自校正控制和间接自校正控制。间接自校正控制使用常规控制器，神经网络估计器需要较高