第5章 神经网络控制论 《智能控制技术知识（第2版）》课件.pptVIP

神经网络的辨识途径有二种： 线性部分的参数已知 可归结为带时滞的多层感知网络模型的学习问题，只是导师学习信号有所不同。 线性部分的参数未知 可归结为带时滞的多层感知网络模型的学习和线性系统的参数估计问题。 二、非线性动态系统的神经网络辨识 对于模型I、II 如果线性部分已知，系统实际输出与模型输出（神经网络输出与线性部分输出之和）的差可以用BP算法来训练神经网络模型 二、非线性动态系统的神经网络辨识 对于模型I、II，如果线性部分未知。采用改进的BP迭代学习算法 二、非线性动态系统的神经网络辨识 设线性部分的未知参数用矢量α表示，非线性部分的神经网络模型参数用W阵表示 针对模型I 二、非线性动态系统的神经网络辨识 由于线性模型和非线性模型的期望输出Z(l+1)和tpj 在这里都是未知的，已知的只是两个模型的输出之和。而它们的期望值应该是系统在当前时刻k+1的实际输出矢量y(k+1)值。因此在实际对如上算法进行计算时可交替使用y(k+1)-y2(k+1)和y(k+1)-y1(k+1)去近似地代替Z(k+1)和tpj 在初始条件完全未知的情况下可以取： 其中ρ为比较大的数字。 二、非线性动态系统的神经网络辨识 举例 5-1 考虑以下模型： y(k+1）=a·y(k)+b·y(k-1)+g(u) 其中a=0.3, b=0.6 g(u)=u3+0.3u2-0.4u 试辨识该系统 二、非线性动态系统的神经网络辨识 解：线性部分，采用递推最小二乘学习法 非线性部分采用前向传播多层神经网络来逼近 选择神经网络结构为Π1,8,4,1, η=0.2， β=0 二、非线性动态系统的神经网络辨识 为了验证辨识效果，采用校验输入信号 ： 二、非线性动态系统的神经网络辨识 对于模型Ⅲ，可以用一个NN来逼近，也可以用两个NN来逼近。下面考虑第二种情况： Nf 网络用来逼近可分离的非线性函数之一 f(·) Ng 网络用来逼近可分离的非线性函数之二 g(·) 二、非线性动态系统的神经网络辨识 选指标函数： 根据BP算法的推导思路可得广义误差为： 二、非线性动态系统的神经网络辨识 神经网络系数更新公式为： 在整个算法的计算过程中，交替使用网络的实际输出值opj1(L）和opj2(L），使得广义误差信号可以不断地进行计算和修正，直至最终收敛 二、非线性动态系统的神经网络辨识 * 引言 1 2 3 4 非线性动态系统的神经网络辨识 5 神经网络控制的学习机制 神经网络控制器的设计 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。 三、神经网络控制的学习机制 学习机制分为： 监督式学习（有导师指导下的控制网络学习 ） 离线学习法 在线学习法 反馈误差学习法 多网络学习法 增强式学习（通过某一评价函数指定下的学习） 三、神经网络控制的学习机制 1、离线学习法 适合静态环境，网络离线训练中选择的性能指标为u-uc的平方误差极小，这一指标并不能保证系统的最终性能yd-y的平方误差极小 三、神经网络控制的学习机制 2、在线学习法： 找出一个最优控制量u使得系统输出y趋于期望输出yd。权阵的调整应该使得yd-y的误差减少最快 适合模型已知的动态环境 三、神经网络控制的学习机制 第五章 神经网络控制论 浙江大学电气学院 韦巍 2015.9 * 引言 1 2 3 4 非线性动态系统的神经网络辨识 5 神经网络控制的学习机制 神经网络控制器的设计 由于神经网络本质上是一个大规模并行分布处理的非线性动力学系统，并在更高层次上体现出一些人脑的智能行为，为智能控制提供了新途径。 神经网络控制的优越性体现在： 神经网络可以处理那些难以用模型或规则描述的过程或系统。 神经网络采用并行分布式信息处理，具有很强的容错性。 神经网络是本质的非线性系统。 神经网络具有很强的信息综合能力。 神经网络的硬件实现愈趋方便。 一、引言 神经网络控制器的分类 根据神经网络在控制系统中的作用不同，又可分为两大类 一是神经控制，它是以神经网络为基础而形成的独立智能控制系统 二是混合神经网络控制，它代表着那些利用神经网络学习和优化能力来改善传统的控制方法 一、引言 神经网络控制器的典型分类 导师指导下的