人工神经网络应用于医伺服控制系统.docVIP

人工神经网络应用于伺服控制系统 Yuan Kang, Min-Hwei Chu and Min-Chou Chen 中原大学（台湾）机械工程系、东南科技大学（台湾）机械工程系 摘要 本章讲述了基本的神经网络控制器。介绍了有专门学习结构的神经控制。讨论和模拟了带有近似雅可比的直接神经控制。提出了使用多重神经网络的自适应控制，其中包括直接神经控制器，神经模拟器和神经调谐器。神经模拟器是用来近似雅克比值。误差以及误差的微分的线性组合是用来近似权值更新的反向传播误差。神经协调器是一种可在线调整线性组合中关键参数的在线神经网络。 关键词：直接神经网络，伺服控制，专门学习结构，多重神经网络，神经协调器 1.介绍 近年来，神经控制因其在线学习能力和自适应能力应用于多种领域，有许多神经网络的学习策略被提出并应用于一些具体的非线性控制系统，以克服未知模型和参数的变化问题。一般学习结构和专门学习结构在早期的神经控制发展中被提出和研究[1]。一般学习结构如图19.1所示，用神经网络学习被控对象的逆动态，将训练好的神经网络应用于前馈控制器。在这个例子中，一般过程因为其神经网络需要在一个超过实际需要的操作范围上学习被控对象的的响应，效率较低。一个可能解决这一问题的办法就是将一般过程的方法与专门过程结合。在本章中，将介绍带有专门学习结构的直接神经控制器应用于伺服控制系统。 19.3 专门学习结构的直接控制 这种专门的学习结构如图19.2表示，训练专门的神经网络控制器仅作用于特定的范围。训练需要用期望的响应映作为神经网络的输入。训练这个网络用于找出可驱动被控对象输出理想命令的输入。这是用期望和实际被控对象响应之间的误差以一个最速下降的过程来调整网络的权值。权值在递归迭代中不断地调整以减小误差。这个过程需要知道被控对象的雅可比值。 有两种策略可促进专业学习，一种是直接控制，如图19.2；一种是间接控制，如图19.3。前者，被控对象被看作是神经网络中不可调整的附加层，图19.2中的虚线图表示权值的更新需要被控对象的信息；后者，已经有过很多应用，它是一个两重过程，包括被控对象动态特性的鉴定和控制。 在间接控制策略中，一个子网（模拟器）需要在控制阶段之前被训练，模拟器训练的质量对于控制性能非常重要。因此训练模拟器时送入的数据必须覆盖足够大范围的输入和输出数据对，但如果这些用于训练模拟器的数值在输入值范围之外，模拟器的反向传播失败，将造成不好的，甚至不稳定的控制性能。 如果先知道被控对象的定性知识或者被控对象雅可比值（被控对象输入关于输出的偏微分），直接控制策略可以避免这个问题。但通常很难近似得到一台未知被控对象的雅可比值。 在本章中，将介绍获得用于直接神经网络的近似雅可比值的方法。使用了近似方法的直接控制策略已经成功应用于伺服控制系统，相应的性能已经被调研和讨论。 2.直接神经控制器 一个三层的直接神经控制器，如19.4所示。已知被控对象的定性知识或者被控对象的雅可比值，一个带有隐藏层的三层神经网络可以计算出输出值的任意判别边界[6]。尽管有两个隐藏层的神经网络在一些专门问题上能获得更好的近似值，但也更容易陷入局部极小[7]，需要更多的CPU时间。在下面一节中，将考虑带有一个隐藏层的反向传播网络（BPN）。 此外，还将考虑一个隐藏曾里面包含的正确单元的数目。李普曼[8]提供了全面的几何论据以及推理来证明为什么一个单隐藏层中单元的最大数目等于M（N+1），其中M是输出单元的数目，N为输入单元的数目。张等人[2]已经测试了一个传播跟踪控制系统上单隐含层的不同数目单元的数目。最终发现，一个带有三至五个隐藏层的网络足够给出一个满意的结果。 2.1直接神经控制器的算法 这里提出的直接神经控制器是有两个输入单元，一个输出单元，若干隐含单元的三层神经网络。，X和分别代表需要的命令输入，参考模型的输出和被控对象的输出。网络的两个输入是误差以及它关于和的微分。 参考模型可以按照标准二阶传递函数设计，阻尼比和固有频率可以按照被控对象的物理特性定义。 直接控制器的算法和权值更新方程如图表19.4并由下述方程表述。 这里的直接神经控制器有隐含层（下标j），输出层（下标k）和输入层（下标i）.为了标准化为-1和+1，输入信号在输入层被乘以增益和。切线双曲函数作为隐含层和输出层的激活函数。隐含层的单元数目等于J。输入层的单元数目等于I。输出层的单元数目等于K。隐含层中j节点的输入为： i=1，2…I，j=1，2…J （19.1） 节点j的输出为： （19.2） 其中β0,在输出层，节点k的输入为： j=1,2,…J,k=1,2,…K (19.3) 节点k的输出为： (19.