第9章 神经网络控制 智能控制第二版PPT.ppt

9.2.3 神经网络自适应控制 与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。 将控制律式（9.31）代入式（9.30）中，得到稳定的闭环系统为 （9.32） 其中 为理想的角度， ， 。 在实际工程中，对象的实际模型很难得到，即无法得到精确的 、、，只能建立理想的名义模型。 将机器人名义模型表示为 ， ， ，针对名义模型的控制律设计为： （9.33） 将控制律式（9.33）代入式（9.30）中，得 （9.34） 采用 分别减去上式左右两边，并取 ， ， 则 由式（9.35）可见，由于模型建模的不精确会导致控制性能的下降。因此，需要对建模不精确部分进行逼近。 式（9.35）中，取建模不精确部分为： 假设模型不确定项为已知，则可设计修正的控制律为： （9.37） 将控制律式（9.37）代入式（9.30）中，则可得到稳定的闭环系统式（9.32）。 在实际工程中，模型不确定项 为未知，为此，需要对不确定项进行逼近，从而在控制律中实现对不确定项 的补偿。 9.7.2 模型不确定部分的RBF网络逼近 采用RBF网络对不确定项 进行自适应逼近。 RBF网络算法为： ， （9.38） （9.39） 其中X为网络的输入信号，Y为网络的输出信号， 为高斯基函数的输出，为神经网络权值。 由已知证明可知[19,20]，在下述假设条件下，RBF网络针对连续函数在紧集范围内具有任意精度的逼近能力。 假设： （1）神经网络输出为连续； （2）存在理想逼近的神经网络输出，针对一个非常小的正数，有 （9.40） 其中， ， 为阶矩阵，表示对 最佳逼近的神经网络权值。 取 为理想神经网络的逼近误差，即 （9.41） 由RBF网络的逼近能力可知，建模误差 为有界，假设其界为 ，即