神经预测控制实验——预测算法.doc

实验内容2Simulink的神经网络控制系统仿真 课件p62-69中Neural Network Blockset模块集练习; 采用此节的3个例子，参照课件步骤，自己试验，体验神经网络控制及效果。 参考： 模型预测 模型预测方法是基于水平后退的方法，神经网络模型预测在指定时间内预测模型响应。预测使用 式中，N2为预测时域长度；Nu为控制时域长度；u(t) 为控制信号；yr为期望响应，ym为网络模型响应，(为控制量加权系数。 下图描述了模型预测控制的过程。控制器由神经网络模型和最优化方块组成，最优化方块确定u（通过最小化J），最优u值作为神经网络模型的输入，控制器方块可用Simulink实现。 模型预测神经网络控制实例分析—搅拌器控制系统 问题的描述 要讨论的问题基于一个搅拌器（CSTR），如图14所示。 对于这个系统，其动力学模型为： 其中,h(t)为液面高度，Cb(t)为产品输出浓度，w1(t)为浓缩液Cb1的输入流速，w2(t)为稀释液Cb2的输入流速。输入浓度设定为：Cb1=24.9，Cb2=0.1。消耗常量设置为：k1=1，k2=1。 控制的目标: 通过调节流速w2(t)来保持产品浓度。为了简化演示过程，不妨设w1(t)=0.1。在本例中不考虑液面高度h(t)。 建立模型 在MATLAB命令窗口中输入命令“predcstr”，弹出1-1所示的模型窗口。 图1-1 模型窗口 其中，神经网络预测控制模块(NN Predictive Controller)和X(2Y)Graph模块由神经网络模块集(Neural Network Blockset)中的控制系统模块库(Control Systems)复制而来。 Plant(Continuous Stirred Tank Reactor)模块包含了搅拌器系统的Simulink模型。 双击NN Predictive Controller 模块，将会产生一个神经网络预测控制器参数设置窗口(Neural Network Predictive Control)，如图1-2所示。这个窗口用于设计模型预测控制器。 图1-2 神经网络预测控制器参数设置窗口 在这个窗口中，有多项参数可以调整，用于改变预测控制算法中的有关参数。将鼠标移到相应的位置，就会出现对这一参数的说明。 现将这些说明加以解释： Cost Honizon(N2)——预测时域长度 Control Honizon(Nu) ——控制时域长度 Control Weighting Factor(ρ)——控制量加权系数 Search Parameter(α)——线性搜索参数，决定搜索何时停止 Minimization Routine——选择一个线性搜索用做最优化算法 Iterations Per Sample Time——选择在每一个采样时间中优化算法迭代的次数 下面是四个按钮的说明： Plant Identification——系统辨识。在控制器使用之前，系统必须先进行辨识。 OK 、Apply——在控制器参数设定好以后，单击这两个按钮的任一个都可以将这些参数导入Simulink模型。 Cancel ——取消刚才的设置。 系统辨识 在神经网络预测控制器的窗口中单击[Plant Identification]按钮，将产生一个模型辨识参数设置窗口（Plant Identification），用于设置系统辨识的参数，如图1-3所示。 图1-3 模型辨识参数设置窗口 在控制器使用以前，必须首先利用辨识技术建立神经网络模型。这个模型预测系统未来的输出值。优化算法使用这些预测值来决定控制输入，以优化未来的性能。系统的神经网络模型有一个隐含层。这个隐含层的大小、输入和输出的时延，以及训练函数都在图中的窗口中设置。可以选择BP网络中的任意训练函数来训练网络模型。 在窗口菜单中有一项File，其包括的子项中有两项用于导入和导出系统模型对应的网络。图1-3中有很多参数需要设置，现将这些参数分别加以解释。 Size of Hidden Layer—设置在系统模型网络隐含层中的神经元数； Sampling Interval(sec)—指定程序从Simulink模型中采集数据的间隔； No. Delayed Plant Inputs—指定了加到系统网络模型的输入延迟； No. Delayed Plant Outputs—指定了加到系统网络模型的输出延迟； Normalize Training Data—指定是否使用premnmx函数来将数据标准化 Training Samples—指定了为训练而产生的数据点的数目； Maximum Plant Input—指定了随机输入的最大值； Minimum Plant Input—指