智能控制-第七章_神经控制系统教材教学课件.ppt

《智 能 控 制》 Intelligent Control;第七章 神经控制系统(Neural Control System) ;7.1.2 用于控制的人工神经网络;7.2 人工神经网络的模型与结构;从生物控制论的角度，神经元作为控制和信息处理的基本单元，具有以下几个重要功能和特点： 1) 动态极化原则； 2) 时空整合功能； 3) 兴奋与抑制状态； 4) 脉冲与电位转换； 5) 突触延时和不应期。 ;7.2.2 人工神经元模型及其特性;这三种函数都是连续和非线性的。一种二值函数可由下式表示： （7.2）;7.2.3 人工神经网络的基本类型;续前表：;7.3 人工神经网络示例及其算法;反向传播算法是一种最常采用的ＭＬＰ训练算法，它给出神经元i和j间连接权的变化 ，如下式所示： (7.6) 式中， 为一称为学习速率的参数， 为一取决于神经元j是否为一输出神经元或隐含神经元的系数。对于输出神经元， (7.7) 对于隐含神经元， (7.8) 在上述两式中， 表示所有输入信号对神经元j的加权总和， 为神经元j的目标输出。 ;另一种适于训练ＭＬＰ的学习算法是遗传算法（GA） ;7.3.2 数据群处理方法（GMDH）网络;7.3.3 自适应谐振理论（ART）网络;右图给出一个学习矢量量化网络，它由三层神经元组成，即输入转换层、隐含层和输出层。该网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出神经元与隐含神经元的不同组相连接。;7.3.5 Kohonen网络;7.3.6 Hopfield网络;7.3.7 Elman and Jordan网络;7.3.8 小脑模型连接控制（CMAC）网络;7.4 神经控制的结构方案;实现NN监督式控制的步骤如下： 通过传感器和传感信息处理，调用必要的和有用的控制信息。 构造神经网络，即选择NN类型、结构参数和学习算法等。 训练ＮＮ控制器，实现输入和输出间的映射，以便进行正确的控制。;7.4.2 NN直接逆控制;7.4.3 NN自适应控制;2. NN模型参考自适应控制;7.4.4 NN内模控制;7.4.5 NN预测控制;基于神经网络的预测控制算法步骤如下：;7.4.6 NN自适应判断控制;7.4.7 基于CAMC的控制;7.4.8 多层NN控制;1. 间接学习???构;3. 专用学习结构;7.4.9 分级NN控制; 可把分级神经网络模型控制系统分为两个子系统，即基于正向 动力学辨识器的系统（见图7.31）和基于逆向动力学辨识器的系 统（见图7.32），并可以单独应用它们。;基于分级神经网络模型的控制系统具有下列特点：;7.5 模糊逻辑、专家系统及神经网络在控制中的集成;1. FNN的概念与结构;设FNN3具有同图7.33一样的结构。输入神经元1和2的输入分别为模糊信号 ，于是隐含神经元k的输入为： ;2. FNN的学习算法;7.5.2 模糊神经控制方案;2. 似神经模糊集（FAM）;3. 自适应ＦＮＮ;4. 多层ＦＮＮ;7.6 神经控制器的设计实例;+ ;式中， 是反馈控制器的输出； 神经控制器的输出，通常可描述为 ;2. 神经控制器及其训练; 为改善神经网络的学习效果，使NCC的输出变化与系统的运动特性相匹配，根据误差和误差变化，将系统的最终目标分解成若干分目标。 ; 为实现上述模糊推理规则，必须对FIE的输入变量进行模糊化处理，即将输入变量从基本论域转化到相应的模糊论域。为此，引入FC输出变量 及其变化变量 的量化因子 、 ;? ? ? ? ? ? ? ? ? ? ? ? ? ;确定分目标学习误差后，定义NNC的训练误差函数如下 ;高速列车运行过程的直接模糊神经控制;2. 列车运行过程的数学描述