智能控制08神经网络4.pptVIP

天津大学自动化学院 * 智能控制系统 天津大学电气与自动化工程学院 八 天津大学自动化学院 4. 神经网络模型辨识 神经网络所具有的非线性变换特性和高度的并行运算能力为系统辨识提供了有效的途径。 4.1 正向建模 使用多层前馈型神经网络表达系统正向的动力学模型 图4-14 正向建模 天津大学自动化学院 4. 神经网络模型辨识 设被辨识动态系统可由以下非线性离散时间差分方程来表示 则可使用神经网络代替模型中的非线性函数。根据被辨识模型的输入和输出来调整网络的连接权值。 并列型 串联并列型 天津大学自动化学院 4. 神经网络模型辨识 1）并列型网络结构 天津大学自动化学院 4. 神经网络模型辨识 2）串联并列型网络结构 天津大学自动化学院 4. 神经网络模型辨识 例：假设动态系统模型为 使用辨识模型 其中 都采用用含有两层隐层的前向网络，网络为单输入单输出，隐层节点分别取20和10。使用BP算法，学习速率0.2。 天津大学自动化学院 4. 神经网络模型辨识 4.2 逆模型 使用多层前馈型神经网络表达系统反向的动力学模型。 假定非线性函数 f 可逆，动态系统逆模型可写为 由于y(k+1)未知，改写为 天津大学自动化学院 4. 神经网络模型辨识 使用神经网络逆建模，实际上就是学习未知非线性函数 f 网络输入为 输出为 可采用如下形式： 1）直接逆模型建模 态 天津大学自动化学院 4. 神经网络模型辨识 2）正—逆模型建模 天津大学自动化学院 5. 神经网络控制 5.1 神经控制的基本思想 在传统的控制系统中用以动态系统建模，充当对象模型； 在反馈控制系统中直接充当控制器的作用； 在传统控制系统中起优化计算作用； 与其他智能控制方法如模糊逻辑、遗传算法、专家控制等相融合。 天津大学自动化学院 5. 神经网络控制 直接神经网络控制：求逆模型 反馈控制与神经控制 天津大学自动化学院 5. 神经网络控制 5.2 神经控制PID控制 BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。通过神经网络自身的学习，可以找到某一最优控制律下的P，I，D参数。 图3-17 神经控制PID控制 天津大学自动化学院 5. 神经网络控制 控制结构主要包括以下部分： ①经典的PID控制器：直接对被控对象进行闭环控制。KP,KI,KD 三个参数在线整定； ②神经网络NN：根据系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID控制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。 天津大学自动化学院 5. 神经网络控制 增量式数字PID的算法为： 将PID参数看做依赖系统运行参数的可调系数时，可写为 使用BP网络来模拟这一非线性函数。 天津大学自动化学院 5. 神经网络控制 采用三层BP网络进行逼近 输入量：e(k), e(k-1), e(k-2),…， e(k-M+1), 输出量：KP，KI，KD 天津大学自动化学院 5. 神经网络控制 神经网络的前向计算 天津大学自动化学院 5. 神经网络控制 学习过程 定义性能指标： 权值的更新方法： 天津大学自动化学院 5. 神经网络控制 天津大学自动化学院 5. 神经网络控制 算法 1). 事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值wij(0), wli(0)，选定学习速率η和平滑因子α，k=1； 2). 采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)； 3). 对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入； 4). 前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID控制器的三个可调参数KP(k),KI(k),KD(k)； 天津大学自动化学院 5. 神经网络控制 5). 计算PID控制器的控制输出u(k)，参与控制和计算； 6). 计算修正输出层的权系数wli(k)； 7). 计算修正隐含层的权系数wij(k)； 8). 置k=k+1，返回到“2）”。 天津大学自动化学院 5. 神经网络控制 5). 计算PID控制器的控制输出u(k)