神经网络控制要领.pptxVIP

第3章 神经网络控制;3.5 神经网络控制基础;3.5.2 神经网络控制的研究领域;3.5.3 神经网络控制的研究重点;3.5.4 神经网络控制系统的结构类型;(1) 神经网络监督控制 神经网络控制器是前馈控制器，建立被控对象的逆模型； 神经网络控制器基于传统控制器的输出，在线学习调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用； 一旦系统出现干扰，反馈控制器重新起作用。 可确保控制系统的稳定性和鲁棒性，有效提高系统的精度和自适应能力。;?;(2) 神经网络直接逆控制 将对象的神经网络逆模型直接与被控对象串联起来，使期望输出与对象实际输出之间的传递函数为1。 缺点：无反馈，用作控制器的神经网络逆模型不准确时，抗干扰能力差，缺乏鲁棒性。 两种改进结构方案：;?;?;?;?;?;神经网络间接模型参考自适应控制 神经网络辨识器向神经网络控制器提供对象的Jacobian信息。;(4) 神经网络内模控制 正向模型作为被控对象的近似模型，与实际对象并联； 控制器与对象的逆有关，可以是对象的逆； 滤波器通常为线性的，可提高系统的鲁棒性。 蓝色实线为基本原理图，加上绿色虚线后可构成内模控制的一种具体实现。;3.5.5 神经网络的逼近能力;3.6 非线性系统的神经网络辨识;神经网络辨识 用神经网络作为被辨识对象的正模型、逆模型、预测模型等，也称为神经网络建模。 说明： 本质上，神经网络辨识的目的是建立所考查对象的模型，因此最简单的情况下，辨识只需利用对象本身的输入输出数据即可。 神经网络建模本身不涉及诸如某一具体控制任务之类的其它目的，因此与作为神经网络控制系统的结构框图相比，辨识的原理结构图要简单得多，只要能完成建模的任务即可；一般地，辨识结构图只涉及对象系统本身和所用的神经网络两大主体。 ;建模的两种基本情况 前向建模：建立系统本身的模型，也称正向建模； 逆向建模：建立系统的逆模型。 正向建模 指利用神经网络逼近对象本身的动力学特性。 简化结构图： 网络与系统并联； 输出之差用作训练信号； 对网络而言，系统的实 际输出构成了期望的导 师信号，故为有导师学 习；可用多层前馈神经 网络实现；可进行离线辨识，也可进行在线辨识。 ;逆向建模 一般而言，建立逆模型对神经网络控制意义重大。 直接逆建模简化结构图： 可用于离线辨识，也可 用于在线辨识。 缺点：不是目标导向的，系统输入也不可能预先定义。 实际常采用正-逆建模结构。;?;离线辨识与在线辨识 在线辨识是在对象系统实际运行的过程中进行的，辨识过程要求实时性，即必须在一个采样周期的时间间隔内至少进行一次网络权值的调整；离线辨识则是在取得对象系统的一批输入输出数据后再进行辨识，故辨识过程与实际系统是分离的，无实时性要求。 离线辨识在系统工作前预先完成网络的学习或训练，但输入输出训练集很难覆盖对象所有可能的工作范围、且难以适应系统在工作过程中的参数变化，故最好的辨识方式是：先进行离线训练、再进行在线学习，将离线训练得到的权值作为在线学习的初始权，以加快在线学习的速度。(由于网络具有学习能力，故当被辨识对象的特性变化时，神经网络也能通过不断地调整权值和阈值自适应地跟踪对象系统的变化。) 对于神经网络控制系统，其中的辨识是以系统在闭环控制下所得到的观测数据进行的，因此一般属在线辨识。对于时变系统，则只能使用在线辨识。;神经网络建模的考虑因素 模型的选择 精确性和复杂性的权衡；对神经网络辨识而言，权衡表现为网络隐含层数的选择和隐含层内节点的选择。 权衡的有效途径：进行多次仿真实验。 输入信号的选择 时域上，要求输入信号持续加在系统对象上，以便在辨识时间内充分激励系统的所有模态、反映系统对象的完整动态过程。(这里的输入信号是加在系统上的信号，也将构成神经网络的输入或输出信号) 频域上，要求输入信号的频谱覆盖系统的频谱。 等价准则的选择 等价意味着按照某种误差评价准则，使确定的神经网络模型最好地拟合所关心的被辨识系统的静态或动态特性。;?;?;用什么类型的神经网络建模？ 对于静态系统，其输入输出间只是某种非线性映射关系，因此可以直接利用前向神经网络进行建模。 对于动态系统，可利用动态神经网络建模，也可利用静态前向神经网络进行建模。一般而言，后者更便于分析，但需要将动态系统的神经网络建模转化为静态系统的神经网络的建模。;神经网络辨识的特点(与传统辨识方法相比) 神经网络本身作为一种辨识模型，其可调参数反映在网络内部的极值上，无需建立实际系统的辨识格式。 借助网络外部的输入/输出数据拟合系统的输入/输出关系，可对本质非线性系统进行辨识。(网络内部隐含着系统的特性) 辨识的收敛速度不依赖于被辨识系统的维数，只与神经网络本身所采用的学习算法有关。 神经网