基于神经网络的系统建模分解.ppt

第九讲 基于神经网络的系统建模和控制 基于神经网络的系统建模和控制 神经网络辨识器 神经网络控制器 NN辨识器（1） 正向建模（并联） 被控对象 NN模型 yp(k) ym(k) u(k) + _ e(k) 被控对象 f (.)是未知的非线性函数. 神经网络模型(并联) (.)是f 的NN近似模型 NN辨识器（2） 正向建模（串并联） 被控对象 NN + _ yp(k) u(k) ym(k) 被控对象 f (.)是未知的非线性函数. 神经网络模型(串并联) (.)是f 的NN近似模型 确定BP网络的结构和参数 离线利用BP学习算法训练NN 获得辨识模型（并联或串并联） 神经网络系统辨识模型 建模实例 未知非线性系统为 串并行NN模型为 辨识结构图 辨识目标：辨识状态渐近等价真实状态 NNf, NNg均用含有两层隐层的前向网络，隐层节点数分别为20,10.输入、输出节点数均为1。 输入信号采用均匀分布于[-2，2]的随机数。 学习步长取为0.08，训练10万次结束。 取 实际状态与网络状态的比较 NN辨识模型和实际系统的输出基本吻合 NN用于控制 被控对象 NN + _ y(t) u(t) r(t) 离散系统神经网络控制 被控对象 f (.), g()均是未知的非线性函数, yr(k)是给定的目标轨线。 控制目标：设计控制使得系统的输出跟踪上目标轨线，即 这是三元未知函数，假设由此确定u(k)未知函数，用NN来逼近这个函数。 离散系统神经网络控制（2） 神经网络控制 其中w是权重矩阵，s是归一化基向量函数。这里NN模型是径向基Gauss网络模型。 参数自适应律为 未知离散动态系统的自适应跟踪控制 连续系统神经网络控制 被控对象 f (.), g()均是未知的非线性函数, yr(t)是给定的目标轨线。 控制目标：设计控制使得系统的输出跟踪上目标轨线，即 这是三元未知函数，假设由此确定u(t)未知函数，用NN来逼近这个函数。 连续系统神经网络控制（2） 神经网络控制 其中w是权重矩阵，s是归一化基向量函数。这里NN模型是径向基Gauss网络模型。 参数自适应律为 未知连续动态系统的自适应跟踪控制 That is all for this Talk!