第8章现代测控技术用用.ppt

　　注意上式中出现了k+1时刻的输出值y(k+1)，这是一个k时刻的未来值，是未知的，可用k+1时刻的期望值yd(k+1)来代替y(k+1)，因此式(8.30)可改写为 (8.31) 式(8.31)即为动态系统的逆模型。利用神经网络建立逆模型时，神经网络的输入为u(k-1),…,u(km+1),y(k),y(k-1),…,y(k-n+1),yd(k+1)，神经网络的输出为u(k)。图8-12给出了一种简单的直接逆模型结构。 图8-12直接逆模型结构 　 从图8-12中可以看出，待辨识系统的输出作为神经网络的输入，神经网络的输出与系统输入比较，相应的误差用来进行训练，因而网络将通过学习建立系统的逆模型。由于这个学习过程不是目标导向的，在实际工作中系统输入u(k)也不可能预先定义，因此采用所谓的正—逆模型建模方法，其结构如图8-13所示。 图8-13目标导向逆模型建立结构 　　这种方法中，假设动态系统的神经网络正向模型已经建立。逆模型网络NN串联在系统的前面。采用已知系统期望输出yd作为神经网络的训练输入信号。训练误差是系统期望输出yd(k)与实际输出y(k)之差，即 (8.32) 　　采用BP网络实现逆模型网络NN时，利用神经网络正向模型将误差信号e(k)滤波，等效成逆模型网络NN的输出误差e′(k)，以此来训练逆模型网络NN。这里正向模型仅作为误差信息的反向传播通道，其误差一般只影响逆模型网络的收敛速度，而不影响训练精度。 图8-14正—逆模型建模结构 　　这种正—逆模型建模方法中，利用动态系统的神经网络正向模型代替实际动态系统，动态系统的神经网络正向模型可用前面讨论的正向建模方法事先得到。逆模型的输入仍然采用已知系统期望输出yd，而训练误差是系统期望输出yd(k)与实际神经网络输出yN(k)之差，即 (8.33) 　　采用e(k)训练逆模型时，也是利用神经网络正向模型将误差信号e(k)滤波，等效成逆模型网络NN的输出误差e′(k)，以此来训练逆模型网络NN。这种方法中不仅利用正向模型作为误差信息的反向传播通道，而且还用它代替实际动态系统，因此正向模型的精度将影响逆模型网络的收敛速度和训练精度。 图8-15正—逆建模的双网络的间接学习结构 　　4．实时在线建模 　　在使用神经网络建模的过程中，当动态系统过于复杂时，训练时网络的算法的收敛速度是相当慢的，不能满足在线跟踪辨识需要。在动态系统有部分已知信息可用时，可将实际动态系统分成已知规律和未知规律两部分，分别用两个神经网络来实现模型辨识。图8-16给出了一种神经网络实时在线辨识结构。 图8-16神经网络实时在线辨识结构 8.6　神经网络控制 　　1．神经网络监督控制 　　神经网络监督控制是利用神经网络的学习和非线性映射能力，使其学习人在控制被控对象时获取的知识和经验，从而最终取代人的控制行为。图8-17给出了两种神经网络监督控制的结构。 　　·小脑自动机模型(CerebellarModelArticulationController，简称CMAC)。它主要用于机械手的控制。学习阶段对输入矢量空间进行压迫映射，需要非常复杂的控制输入。 　此外还有许多模型，如黑箱脑机制(BrainStateinaBox，简称BSB)，重复传播模型(CounterPropagation，简称CPN)，多个自适应线性元模型(Madaline，简称MDL)，自组织映射模型(SelforganizingMapping，简称SOM)，高斯机(GaussianMachine，简称GAM)，受限的库仑能量模型(ReducedCoulombEnergy，简称RCE)等等。 8.4.1BP神经网络 　BP网络是典型的前向神经网络。BP网络的信息传播是向前的，但其在训练中的误差修正传播方向却是反向的。BP网络的原理结构如图8-5所示。 图8-5BP网络原理结构图 　　BP网络的学习算法采用的是δ学习规则，学习方式采用有导师学习机制。 　　设BP网络每层有n个神经元，特性函数取S型函数，训练集中包含m个样本模式(Xp,Yp),p=1,2,…,m。wij表示神经元j到神经元i的连接权重，对第p个训练样本，神经元i的输入总和记为upi，输出记为opi，阈值取为θi，并取wi0=1，op0=θi,则有 定义输入模式p的网络误差为 (8.10) 其中dpi表示神经元i的期望输出。 　　网络总误差为 (8.11) 　　δ学习规则的实质是梯度最速下降法，即权值沿误差函数的负梯度方向改变。若权值wij的变化量记为Δpwij，则有 又因为 其中令 于是有 (8.12) 可见,上式即为δ学习规则。现计算误差，分两种情况讨论。 (