第五章节：神经网络控制论.pptVIP

* 5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展 为神经网络的硬件实现提供了技术手段。 第五章 神经网络控制论 一、神经网络控制的优越性 用神经网络理论来研究和模仿人类的活动是相当有潜力的。（如骑车问题是无法建模的，但人处理此问题相当出色）。 1）神经网络可以处理那些难以用模型或规则描述的过程或系统。 2）神经网络采用并行分布式信息处理方式，具有很强的容错性。 3）神经网络是本质的非线性系统。它可以实现任何非线性映射。 第一节　引言 4）神经网络具有很强的信息综合能力。它能够同时处理大量不同 类型的输入。 二、神经网络控制器分类 1、神经控制：以神经网络为基础而形成的独立智能控制系统； 按作用不同分为两类： 2、混合神经网络控制：利用神经网络学习和优化能力来改善传统控制的现代控制方法（如：自适应神经控制）。 典型的神经网络的控制结构： 特点：采用专家的控制经验来训练网络权值，一旦训练达到要求，网络训练结束。 （1）导师指导下的控制器 动力学系统 专家经验控制器 神经网络 动力学系统 图5-1　导师指导下的神经控制结构图 缺点：网络训练只涉及静态过程，缺乏在线学习机制。 （2）逆控制器 图a 直接逆建模 动态系统 (F) e + y u NN - 待辨识 训练目的（即作用）：通过学习建立系统的逆模型。 缺点：学习过程不是目标导向的。 动态系统 (F) e + y u NN - 正向模型 e yd yN 待辨识 期望输出 图b 正－逆建模 正向模型作用：辨识作用 优点：学习过程是有目标导向的（即e(k)受yd影响）。 动态系统 y d e2 y u NN1 NN2 + - e2 V + - e1 图c 直接逆控制（双网结构） NN1：前馈控制器(NNC)；NN2：神经网络辨识器(NNI) 要求：NN1、NN2结构相同（输入层、隐含层、输出层节点数目相同） 第三节 神经网络控制的学习机制 学习机制：通过什么学习方法来调整网络连接权值或网络结构，从而使网络控制器输出的控制信号能够保证系统输出跟随系统的期望输出。 学习模式分类 监督式学习 (有导师指导) 增强式学习： (无导师指导) 离线学习法 在线学习法 反馈误差学习法 多网络学习法 通过某一评价函数来对网络的权值进行更新 非线性系统 神经网络NN 非线性系统 神经网络NN 监督式学习算法：一、离线学习法 1、建逆模型：学习过程不是目标导向的。 步骤： 2、进行在线控制：学习结束后，把这个网络作为此系统的控制器直接连接在非线性系统的输入端从而构成一个逆动力学模型的控制系统。 缺点：①一旦离线学习结束，神经网络控制器NNC的学习能力就停止。因此这种控制系统在变化的环境下是无法适用的。 ②性能指标为u-uc的平方误差极小，不能保证系统的最终性能yd-y的平方误差极小。 逆模型做控制器→NNC 二、在线学习法 特点：控制器具备自适应、自学习的能力。 神经网络 非线性系统 性能指标函数： 梯度下降法（权值的学习算法）公式： 要求：已知对象 信息（即系统模型已知）。 其中： 可利用广义的Delta规则来计算。 *