智能控制第二版教学课件ppt作者李少远王景成Chapter6课件.pptxVIP

第六章基于神经网络的智能控制神经网络对系统建模与控制的意义 利用神经网络在控制系统中充当系统辨识器或控制器的系统建模与控制问题，主要是为了解决复杂的非线性、不确定环境中的系统控制问题，是智能控制的一个重要分支，内容包括神经网络控制系统的设计与实现问题。 6.1 神经网络建模正向模型 6.1 神经网络建模逆向模型 6.1 神经网络建模动态网络建模(Elman网络) 6.1 神经网络建模Elman网络的学习算法 6.1 神经网络建模Elman网络的学习算法 6.2 神经网络控制 6.2 神经网络控制模型参考自适应控制系统 6.2 神经网络控制内模控制系统 系统的内模型和控制器均由前向动态神经网络实现。其中内模型与被控对象相关联，控制器具有被控对象的逆动态特性。对象的输出与内模模型输出之差作为反馈信号反馈到系统的输入端。仿真结果表明，神经网络内模控制系统对于具有开环稳定的线性系统，具有良好的控制效果。 6.2 神经网络控制预测控制系统 在预测控制的基础上，若在得到最优控制轨线之后，训练另一个神经网络，使其逼近此控制函数，并且用这个网络作为控制器去控制对象，便可实现神经网络最优决策控制。 6.2 神经网络控制基于神经网络的控制器设计(异步自学习控制系统) 考虑如下非线性连续时间闭环系统6.2 神经网络控制基于神经网络的控制器设计(异步自学习控制系统) 6.2 神经网络控制基于神经网络的控制器设计(异步自学习控制系统) 神经网络异步自学习控制律为:6.2 神经网络控制基于神经网络的控制器设计(局部逼近神经网络) 可分为4个部分: 常规控制器与单位反馈; 对象的CMAC 正向模型; 指标误差计算环节; CMAC 自校正模块. 6.2 神经网络控制基于神经网络的控制器设计(局部逼近神经网络) 常规控制器与单位反馈: 若采用PID控制器，则只需再增加两个CMAC自校正模块，或直接采用具有三个输出的CMAC自校正模块，以便网络输出对应于PID 三个分量的变化。对于比较复杂的控制对象，可进一步采用非线性PD控制或其他自校正控制律。 正向网络: CMAC 正向模型将在线学习被控系统的动态特性，如果可能，它还将在线地学习传感器和执行机构的动态模型。这需要提供某些先验知识，如系统的阶次等，以便给出差分方程的结构模型。 6.2 神经网络控制基于神经网络的控制器设计(局部逼近神经网络) 指标计算: 6.2 神经网络控制基于神经网络的控制器设计(局部逼近神经网络) CMAC自校正模块: 将此指标误差向量映射为比例控制的增益变化，以便对控制器进行学习修正。具有明确物理意义的时域与频域指标等与控制规律之间的关系，不可能存在任何解析关系。在这种情况下，应用神经网络通过建立两者的非线性映射关系，可能是一种较好的选择。一般说来，指标向量可以分成两类，即品质指标与控制约束。对于定常或时变系统的动态恃性，这里采用上升时间、超调、稳态误差等时域指标描述。针对具体的应用，当然也可以采用其他类型的指标。而控制约束则反映了实际所能采取的最大控制量。将这些数字量作为系统性能的特征，既符合习惯使用的性能表达，同时又能大大地压缩所需的训练量。6.3 神经网络控制系统的分析稳定性分析 原系统: 神经网络模型: 6.3 神经网络控制系统的分析稳定性分析 6.3 神经网络控制系统的分析反馈线性化网络 6.3 神经网络控制系统的分析反馈线性化网络 6.4 神经网络控制系统的应用神经网络的模型辨识 系统机理模型难以建立时，利用神经网络对任意非线性系统的逼近特性，基于系统的输入 / 输出数据对系统的动态特性进行模拟所建立的模型 氧气吹炼过程神经网络模型的输入变量： 通过训练得到一个模糊神经网络模型 6.4 神经网络控制系统的应用 (a) 建模用数据(b)评价用数据6.4 神经网络控制系统的应用 基于神经元网络的机械手控制自适应方法： 不能处理系统的结构不确定性 神经网络方法：利用的学习能力、非线性映射和并行处理 能力对机械手进行控制 6.4 神经网络控制系统的应用 基于神经元网络的机械手控制在神经元网络的学习过程中，机械手的轨迹很好地跟随期望轨迹，在第 100 次学习后，跟踪误差已收敛到一个很小值。它的效果要比自适应控制好。 6.4 神经网络控制系统的应用 基于神经元网络的机械手控制总体误差目标函数 ， 其中 连接权： 连接权： 连接权： 神经网络Ⅰ作为前馈控制器，它的特性恰好为对象特性的逆。设对象特性为，则控制器的特性为。当控制器输入为系统的期望输出时，则系统的实际输出为 即实现了理想的控制效果。系统中引进了神经网络Ⅱ，它的作用是通过间接学习，改变网络的连