智能控制3.ppt

* NN1 NN2 对象 (a) 图(a)中，是将对象的逆模型直接与对象串联，使对象实际输出与期望输出相等。NN1相当于前馈控制器，NN2为逆模型辨识器，二者模型结构相同，均为对象的逆模型，且算法相同，评价函数为： 如采用其它的评价函数，结构如图(b)所示。 NN 评价函数 对象 (b) （三）神经网络自适应控制 分为自校正控制和模型参考控制。 * 1. 神经网络自校正控制 （1）直接自校正控制 也就是神经网络直接逆控制，即同时使用神经网络控制器和神经网络辨识器，且可在线修正辨识器参数（见前）。 （2）间接自校正控制 常规 控制器 神经网络 估计器 对象 控制器采用常规控制器，神经网络估计器离线辨识，但要求精度要高。 不失一般性，假设被控对象为如下单变量仿射非线性系统 若利用神经网络对非线性函数f(yk)和g(yk)进行离线辨识， 得到具有足够逼近精度的估计值 则常规控制率可直接给出： 其中 为k+1时刻的期望输出值。 * 2. 神经网络模型参考控制 （1）直接模型参考控制 神经网络控制器（NNC）的作用就是使被控对象的输出与参考模型的输出之差趋于零（或ec(t)的二次型最小），但 误差ec(t)的反向传播必须确知对象的数学模型，这给NNC的学习修正带来问题。 （2）间接模型参考控制 NNC 对象 参考模型 r(t) y(t) u(t) ec(t) e(t) ym(t) NNI ei(t) NNC 对象 参考模型 r(t) y(t) u(t) ec(t) e(t) ym(t) NNI：神经网络辨识器。首先离线辨识对象的正 向模型。并可由ei(t)在线 修正。NNI为NNC 反向传播通道。 提供ec(t)或其梯度的 * （四）神经网络内模控制 NN2：对象的正向模型辨识器； NN1：神经网络控制器（与对象的逆模型有关）。 滤波器：提高鲁棒性能和动态响应性能。 （五 ）神经网络预测控制 非线性 优化器 神经网络 预测器 对象 滤波器 滤波器 NN1 对象 NN2 * 实验二 BP神经网络的仿真研究 一、实验目的 （1）掌握BP网络的结构。 （2）完成BP算法的程序实现。 二、实验内容及要求 （1）用BP网络逼近非线性函数 （2）设计网络结构及参数并用MATLAB进行仿真。 （3）改变网络结构由仿真结果讨论网络性能。 （4）写出仿真实验报告。 * 一、神经网络基础 （一）引言 人工神经网络（ANN: Artificial Neural Networks）是从微观结构与功能上对人脑神经系统的模拟而建立起来的一类模型，具有模拟人的部分形象思维的能力。其特点主要是：具有非线性特性、学习能力和自适应能力。是模拟人的智能的一条重要途径。它是由简单处理单元（人工神经元，简称神经元）互联组成的网络，能接受并处理信息。网络的信息处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的连接权来处理的。 1. 决定神经网络模型整体性能的三大要素 （1）神经元（信息处理单元）的特性。 （2）神经元之间相互连接的形式─拓扑结构。 （3）为适应环境而改善性能的学习规则。 * 2. 神经网络的基本特征 （1）网络的信息处理由处理单元的相互作用来实现，具有并行处理的特点。 （2）知识与信息的存储表现为处理单元之间分布式的物理联系。 （3）网络的学习和识别决定于处理单元连接权系的动态演化过程。 （4）具有联想记忆的特性。 3. 神经网络的工作方式 由两个阶段组成：学习（训练）期和工作期 （1）学习期 学习（训练）过程是人获得知识、掌握技能的过程，学习 是人的重要技能之一（是人的一种智能行为）。 神经网络模型模拟人的学习机理。在学习期，神经元 神经网络基本运算： 积与和、权值学习、阈值处理和非线性函数处理。 * 之间的连接权值可由学习规则进行调整，搜索寻优以使准则（或称目标）函数达到最小，从而改善网络自身性能。 （2）工作期 在工作期，网络的连接权值不变，由网络的输入计算得到网络的输出。 4. 神经网络的分类 （1）按性能分：连续型与离散型，确定型与随机型，静态与动态网络。 （2）按连接方式分：前馈（或称前向）型和反馈型。 （3）按逼近特性分：全局逼近型和局部逼近型。 （4）按学习方式分：有导师的学习（也称监督学习）、无导师 的学习（也称无监督学习或称自组织）和再励学习（也称强化 学习）三种。 这三种都是模拟人类适应环境的学习过程。因此具