第四章神经网络控制及其在交流传动中的应用22010版.ppt

广义RBF网络Generalized Radial-Basis Function Networks When N is large, the one-to-one correspondence between the training input data and the Green’s function produces a regularisation network that may be considered expensive. ? An approximation of the regularized network. The generalized RBF network differs from the regularization RBF: The number of nodes in the hidden layer: m1 < N m1 (generalized RBF), N (regularization RBF). The linear weights associated with the output layer, and the positions of the centers of radial-basis functions and the norm weighting matrix associated with the hidden layer have to be learned (generalized RBF). The linear weights of the output layer have to be learned (regularization RBF). 三、间接控制IC Indirect Control (1) Plant Identification ① 前向模型化过程中，同样的激励信号施加于被控过程和NNM，以两者之输出误差eM=y-yN构成某种性能指标，例如EM= ‖y-yN‖2,利用BP算法对EM进行优化，获得NNM的权重(Wij)NNM。 (2) NNC Training Neural Network Model Plant NNM “M”　 “P”　 d　 NNC Plant “C”　 “P”　 NNM “M”　 d　 ②NNC的训练过程中，NNC和NNM构成一个组合网络，以系统的设定值r和NNM的输出yN的误差eC=r-yN构成某种性能指标，例如E= ‖r-yN‖2,利用BP算法对E进行优化，将误差信号经NNM回传到NNC各层，从而获得NNC的权重(Wij)NNC。注意：此时NNM只是作为误差回传通道，其权重不再更新。 (2) NNC Training Neural Network Model Plant NNM “M”　 “P”　 d　 NNC Plant “C”　 “P”　 NNM “M”　 d　 (1) Plant Identification 间接控制IC的特点： ①本算法实际上是把NNC训练成NNM的逆，也就是训练成过程 “P”的逆，——与直接逆控制的思想一致，故在理想状态下，有“M” =“P” , “C” =(“M”)-1=(“P”)-1 当r→ y: “C” ·“P” =(“P”)-1· (“P”)=I，实现了输出y对输入r的无误差跟踪。 Neural Network Model Plant NNM “M”　 “P”　 d　 NNC Plant “C”　 “P”　 NNM “M”　 d　 NNC Training Plant Identification 间接控制IC的特点： 当干扰d使过程 “P”的动态特性发生改变时，本方案较直接逆控制的长处在于其提供了改变NNM和NNC权重的方法与通道，以期减少输出误差。 Neural Network Model Plant NNM “M”　 “P”　 d　 NNC Plant “C”　 “P”　 NNM “M”　 d　 NNC Training Plant Identification 但是IC方案不存在ec到r的信息反馈——与IMC (内模控制) 不同之处。 间接控制IC的特点： ②IC的控制精度在很大程度上取决于模型NNM的质量，因此，当外界干扰或过程本身动态发生较大变化时，通常不得不重新启动NNC在线训练，有时候也要启动NNM的在线训练，以适应新的工作条件——间接控制较直接控制的优越之处。 Neural Network Model Plant NNM “M”　 “P”　 d　 NNC Plant “C”　 “P”　 NNM “M”　 d　 NN