第5 神经网络在控制中的应用.pptVIP

神经网络在控制中的应用 神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5. 3神经网络控制实例 p = [-1 -1 2 2;0 5 0 5]; t = [-1 -1 1 1]; net=newff(minmax(p),[3,1],{tansig,purelin},traingdm); net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 300; net.trainParam.goal = 1e-5; [net,tr]=train(net,p,t) p = [1;2]; a = sim(net,p) 5. 4基于GUI的设计 1.输入nntool； 2，定义网络输入; p= [0 0 1 1;0 1 0 1]. 3.定义网络输出t=[0 0 0 1] 4。设置输入范围 5。设置激发函数 6。设置学习函数，完成网络创建 7。点击训练，选择输入和目标， 8.训练网络 9查看结果 和误差ANDNet_outputs 和 ANDNet_errors 10使用网络 主要知识点 神经网络的定义 主要网络结构，训练方法 应该感知器进行模式分类 简述前馈神经网络及BP算法的特点 5.3.1基于BP神经网络的PID控制 5. 3神经网络控制实例 5.3.1基于BP神经网络的PID控制 5. 3神经网络控制实例 5.3.3神经网络学习控制 神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器来控制对象。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。 例：三关节机器人视觉伺服系统神经网络学习控制 问题描述： 利用摄像机观测目标小球与机器人末端手爪之间的相对位置，由此构成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪到达小球。 目标小球的特征 特征提取 Xc Yc Zc x y (x,y) (XP,YP,ZP) Oc f 目标在成像平面的特征可以分解为：目标中心点在成像坐标系的坐标（x，y）以及目标的半径r。 控制系统： 视觉伺服问题可以转化为：根据目标特征与期望特征的误差，通过控制器控制机器人运动，使目标特征到达期望特征。 机器人视觉伺服控制系统的神经网络学习控制器 神经网络结构 Δx Δy Δr Δθ1 Δθ2 Δθ3 输入层 隐含层 输出层 神经网络的学习： 神经网络以常规控制器的输出up的最小化为目标进行学习。 如果学习的目标函数定义为： J＝1/2(u-un)2 其中u为复合控制器的输出，un为网络的输出。 那么根据BP算法可得网络在线训练时的权值修正算法为： 可以看出，网络在线训练的算法无需用到机械手和特征提取的模型信息，从而可以有效、快速地对神经网络进行在线学习和优化。 控制结果 机械手的具体参数为： L1=300cm； L2=260cm； L3=260cm。 摄像机的焦距: f =50cm。 目标小球的半径为: 10cm。 摄像机在基座坐标系的初始坐标为(490，79，337)。 期望图像特征为： Xd＝0,Yd＝0，Rd＝10 目标小球中心在基座坐标系的坐标为: (300，300，200) *为神经网络学习控制； o为常规比例控制器控制 图像坐标X变化曲线 *为神经网络学习控制； o为常规比例控制器控制 图像坐标Y变化曲线 *为神经网络学习控制； o为常规比例控制器控制 半径r变化曲线 5. 4举例 应用感知机进行分类 1.设计感知机实现与、或问题 练习： 输入向量：[-0.5,-0.5,0.3,0; -0.5,0.5,-0.5,1] 目标输出：[1,1,0,0] 5. 4举例 应用Matlab设计前馈神经网络： 1。确定输入输出范围； [P1min P1max;…Pnmin Pnmax] 2.构建网络 net=newff(输入范围,[第一层神经元个数,输出层个数],{‘第一层激发函数’,‘第二层激发函数’},‘训练方式); 多个参数与训练方式有关: 迭代次数，显示数, 目标,时间, 最小梯度, 最大失效数, 学习率等.