智能控制技术(第6章-神经网络控制).ppt

figure(1); plot(time,rin,b,time,yout,r); xlabel(time(s));ylabel(rin,yout); figure(2); plot(time,error,r); xlabel(time(s));ylabel(error); figure(3); plot(time,u,r); xlabel(time(s));ylabel(u); 假设系统第k + 1 个采样时刻的期望输出值为d k+ 1, 则 变学习因子自适应神经网络控制系统 考虑到实际系统的制约, 对控制量u 加了限幅处理, N 1 为一BP 网络, g 为比例环节。如果f 对u 为非线性的, 则g 亦为BP 网络。 学习算法 为了对网络权值进行在线学习, 取输出偏差 并定义学习误差 式中　 为网络输出的对象输出预测值, yk+ 1 为对象实际输出值。则 于是由梯度法得到权值调整规则为 如果P 含有纯滞后为T d = L T 的滞后环节时, 相应的权值调整规则为 在实际应用中, 可以先估计一个滞后时间。运行时, 如果在第L + 1 个采样时刻检测到第一个非零的零状态响应, 则可认为纯滞后时间为L T 　学习因子的选择 学习因子的选择对系统性能有较大影响, 如果学习速率过小, 学习过程收敛缓慢, 必将影响到控制的实时性; 如果学习速率过大, 则又会影响到学习的收敛性。采用变学习因子的方法, 在学习过程中自动调整学习因子, 取得了较好的效果。 事实上, 假设W0 为理想的权值这时有 E k+ 1 (W0) = 0, 将E 在W处作Taylo r 展开: * 神经网络辨识基础 所谓系统辨识，就是根据系统的输入和输出 数据，在指定的一类系统中选择一个系统，这 个系统和所研究的实际系统等价。 6.2 神经网络辨识 由于实际上不可能找到一个与实际系统完全等 价的模型。因此，从实用角度看，辨识就是从 一组模型中选择一个模型，按照某种准则，使 之能最好的拟合所关心的实际系统动态或静态 特性。 * 6.3 神经网络辨识 神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。 神经网络系统辨识实质上是从神经网络模型中选择一个适当的模型来逼近实际系统的数学模型。 神经网络系统通过直接学习输入输出数据，使所要求的误差函数达到最小，来归纳出隐含在系统的输入输出数据中的关系。 * 6.3 神经网络辨识 逼近理论是一种经典的数学方法。多项式函数和其它逼近方法都可以逼近任意的非线性函数。但由于其学习能力和并行处理能力不及神经网络，从而使得神经网络的逼近理论研究得到迅速发展。 * 6.3 神经网络辨识 神经网络系统辨识的原理 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u、y看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。 系统辨识的原理 系统辨识的原理：给对象和辨识模型施加相同的输入，得到对象的输出y和模型的输出 ，通过调整辨识模型的结构来使对象的输出y和模型的输出 之间的误差最小。 * 6.3 神经网络辨识 与传统基于算法的系统辨识方法一样，神经网络辨识同样也需首先考虑以下三大因素。 模型的选择 模型只是在某种意义下实际系统的一种近似描述，它的确定 要兼顾其精确性和复杂性。因为如要求模型越精确，模型就会 变的越复杂，相反如果适当降低模型精度要求，只考虑主要因 素而忽略次要因素，模型就可以简单些。所以在建立实际系统 模型时，存在着精确性和复杂性这一对矛盾。在神经网络辨识 这一问题上主要表现为网络隐含层数的选择和隐含层内节点数 的选择。由于神经网络隐含节点的最佳选择目前还缺乏理论上 的指导，因此实现这一折中方案的唯一途径是通过多次仿真实 验来达到。 * 6.3 神经网络辨识 输入信号的选择 为了能够精确有效的对未知系统进行辨识，输入信 号必须满足一定的条件。从时域上来看，要求系统的 动态过程在辨识时间内必须被输入信号持续激励，即 输入信号必须充分激励系统的所有模态；从频域来 看，要求输入信号的频谱必须足以覆盖系统的频谱。 通常在神经网络辨识中可选用白噪声或伪随机信号作 为系统的输入信号。对于实际运行系统而言，选择测 试信号需考虑对系统安全运行的影响。 * 6.3 神经网络辨识 3. 误差准则的选择 误差准则是用来衡量模型接近实际系统的标准。它 通常表示为一个误差的泛函，记作 其中 是误差适量e(k)的函数，用得最多的是平方函数， 即 这里的误差e(k)是广义误差，即既可以表示输出误差又