[计算机硬件及网络]第3章 人工神经元网络控制论-控制基础.pptVIP

3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10 单一神经元控制法 目录 3.10 单一神经元控制 式中，1γ0为衰减速率，η0为学习速率, pi(t)表示递进学习策略。 Hebbian学习 监督学习 联想式学习 z(t) 是教师信号，如控制误差 学习策略 控制系统的一般形式 直接控制输出 增量式控制输出 增量式PID控制 如取 可得自适应增量式PID控制 * P即deltaw 非线性可分离系统（模型3） BP学习 例3- 9 考虑如下非线性离散系统： 求：采用双模型法解决该系统的辨识问题。 两种方法的学习曲线 单一模型网络： 两模型网络： 两模型法的辨识效果 3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10 单一神经元控制法 目录 3.8 神经网络控制的学习机制 神经元控制器的目的在于如何设计一个有效的神经元网络去完成代替传统控制器的作用，使得系统的输出跟随系统的期望输出。为了达到这个目的，神经网络的学习方法就是寻找一种有效的途径进行网络连接权阵或网络结构的修改，从而使得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。 分类 3.8.1 监督式学习 离线学习法 在线学习法 反馈误差学习法 多网络学习法 3.8.2 增强式学习 1. 离线学习法 适合静态环境 2. 在线学习法 适合模型已知的动态环境 学习方法 采用最速下降法 假设系统的Jacobian矩阵已知 3. 反馈误差学习法 适用于非线性系统线性绝对占优条件下的网络学习 4. 多神经网络学习法1 前向建模多网络控制 多神经网络学习法2 逆模型建模的多网络控制结构图 3.8.2 增强式学习 利用当前控制是否成功来决定下一次控制该如何走的学习方式。 修正的办法是对某一成功的行为进行鼓励，而对不成功的行为进行惩罚。 用神经网络来实现时， 则可在权值空间进行调整。 3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10 单一神经元控制法 目录 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 3.9.1 直接逆模型控制法 训练结构示意图 直接逆模型控制的结构示意图 运行于静态参数环境 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 3.9.2 直接网络控制法 例3-10 考虑被控系统 假设动力学逆模型成立 ，为 试用直接网络控制法控制。 解 构造神经网络结构为Π5,25,12,1。 输出单元层的神经元的激励函数为激励函数为非线性被控系统、其余层的神经元为Sigmoid激励元。 取η=0.05 期望输出为： 学习公式 输出层 隐含层 学习结果 100次 1 摄动法 2 符号函数法 3 前向神经网络方针模型法 4 多网络自学习控制法 Jacobian矩阵的替代 3.9.1 直接逆模型控制法 3.9.2 直接网络控制法 3.9.3 多网络自学习控制法 3.9 神经网络控制器的设计 3.9.3 多网络自学习控制法 基本思想是利用逆动力学模型和系统的期望输出yd(k+1)去构造一个期望的控制量ud(k)，从而解决了神经控制器Nc在系统模型未知情况下的学习问题。 多网络自学习控制法 例3-11 考虑非线性系统 求：试用多神经自学习网络控制方法来设计此系统的非线性控制器，要求系统的期望输出为： 解 假设被控对象的逆动力学模型存在，即有： 神经网络辨识器Ni的结构为 ; 神经网络控制器Nc的网络结构为 ; 输出神经元均为线性单元。 曲线跟踪效果 * 第3章 人工神经元网络控制论－控制基础 智能控制基础 3.1　 引言 3.2　 前向神经网络模型 3.6 神经网络控制基础 3.7　 非线性动态系统的神经网络辨识 3.8　 神经网络控制的学习机制 3.9 　神经网络控制器的设计 3.3　 动态神经网络模型 3.10