智能控制-第七章 神经控制系统推荐.pptVIP

7.4.7 基于CAMC的控制 CMAC是由Albus开发的，是近年来获得应用的几种主要神经控制器之一。把CMAC用于控制有两种方案。 第一种方案的结构如图7.24所示。在该控制系统中，指令信号、反馈信号均用作CMAC控制器的输入。控制器输出直接送至受控装置（对象）。 图7.24 基于CMAC的控制（Ⅰ） 图7.25 基于CAMC的控制（Ⅱ） 第二种方案的结构如图7.25 所示。在该方案中，参考输出方 块在每个控制周期产生一个期望 输出。该期望输出被送至CMAC 模块，提供一个信号作为对固定 增益常规偏差反馈控制器控制信 号的补充。 * 7.4.8 多层NN控制 多层神经网络控制器基本上是一种前馈控制器。下图所示的是一个普通的多层神经控制系统。该系统存在两个控制作用：前馈控制和常规控制。前馈控制由神经网络实现，前馈部分的训练目标在于使期望输出与实际装置输出间的偏差为最小。现已提出多层NN控制器的三种结构：间接结构、通用结构和专用结构。 图7.26 多层ＮＮ控制的一般结构 * 1. 间接学习结构 图7.27所示的间接多层NN控制结构含有两个同样的神经网络，用于训练。在本结构中，每个网络作为一个逆动态辨识器。训练的目标是要从期望响应 d 中找到一个合适的装置控制ｕ。 图7.27 间接学习结构的多层ＮＮ控制 2. 通用学习结构 图7.28 通用学习结构 图7.28给出多层ＮＮ控制的通用学 习结构，它使图7.27中的ｅ＝ｄ－y为 最小。该网络被训练使得装置输入ｕ与 网络输出u*间的差别为最小。 * 3. 专用学习结构 图7.29 专用学习结构 多层NN控制的专用学习结构如下图所示。当神经网络训练时，期望输出ｄ是该网络的输入。采用误差反向传播(BP)方法，经过训练使期望输出ｄ与装置的实际输出ｙ之间的差ｅ为最小。 * 7.4.9 分级NN控制 基于神经网络的分级控制模型如下图所示。图中，ｄ为受控装置的期望输出，ｕ为装置的控制输入，ｙ为装置的实际输出，u* 和 y*为由神经网络Ⅱ和Ⅰ给出的装置计算输入与输出。 该系统可视为由三部分组成。第一部分为一常规外反馈回路。第二部分是与神经网络Ⅰ连接的通道。系统的第三部分是神经网络Ⅱ，它监控期望输出ｄ和装置输入ｕ。 图7.30 分级神经网络控制器 * 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。 图7.31 基于正向动力学辨识器的控制系统 图7.32 基于逆向动力学辨识器的控制系统 * 基于分级神经网络模型的控制系统具有下列特点： 该系统含有两个辨识器，一个用于辨识装置的动力学特性， 另一个用于辨识装置的逆动力学特性。 存在一个主反馈回路，它对训练神经网络是很重要的。 当训练进行时，逆动力学部分变为主控制器。 本控制的最后效果与前馈控制的效果相似。 * 7.5 模糊逻辑、专家系统及神经网络在控制中的集成 7.5.1 模糊神经网络原理 模糊系统与神经网络的比较： 表7.5 模糊系统与神经网络的比较 实现模糊神经网络组合的方法基本上分为两种。第一种方法 在于寻求模糊推理算法与神经网络示例之间的功能映射，而第二 种方法却力图找到一种从模糊推理系统到一类神经网络的结构映 射。 * 1. FNN的概念与结构 图7.33 神经网络FNN3 定义7.1 一个正则模糊神经网络(RFNN)为一具有模糊信号和／或模糊权值的神经网络，即（1）FNN1具有实数输入信号和模糊权值；（2）FNN2具有模糊集输入信号和实数权值；（3）FNN3具有模糊集输入信号和模糊权值。 定义7.2 混合模糊神经网络（HFNN）是另一类FNN，它组合模糊信号和神经网络权值，应用加和乘等操作获得神经网络输入。 * 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： 而第k个隐含神经元的输出为： 若 f 为一 S 形函数，则输出神经元的输入为： 最后输出为： * 2. FNN的学习算法 模糊反向传播算法 基于FNN3的模糊反向传播算法是由Barkley开发的。 基于α分割的反向传播算法 遗传算法 遗传算法能够产生一个最优的参数集合用于基于初始参数的主观选择或随机选择的模糊推理模型。 其它学习算法 模糊混沌（fuzzy chaos）以及基于其它模糊神经元