智能控制理论200706(神经网络控制).pptVIP

神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。 9.2.2 神经网络直接逆动态控制 显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。 9.2.3 神经网络自适应控制 与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。 自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标， 模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。 控制选择网络相当于一个在内部再励信号指导下进行学习的多层前馈神经网络控制器，该网络在进行学习后，根据编码后的系统状态，在允许控制集中选择下一步的控制作用 Hebb学习规则 chap9_1.m %Single Neural Adaptive Controller clear all; close all; x=[0,0,0];xite=0.40; w1_1=0.10; w2_1=0.10; w3_1=0.10; e_1=0; e_2=0; y_1=0; y_2=0; u_1=0;u_2=0; ts=0.001; for k=1:1:1000 time(k)=k*ts; r(k)=0.5*sign(sin(2*2*pi*k*ts)); y(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2; e(k)=r(k)-y(k); 调整权值 %Adjusting Weight Value by supervised Heb learning algorithm w1(k)=w1_1+xite*e(k)*u_1*x(1); w2(k)=w2_1+xite*e(k)*u_1*x(2); w3(k)=w3_1+xite*e(k)*u_1*x(3); K=0.12; x(1)=e(k)-e_1; x(2)=e(k); x(3)=e(k)-2*e_1+e_2; w=[w1(k),w2(k),w3(k)];u(k)=u_1+K*w*x; %Control law e_2=e_1;e_1=e(k);u_2=u_1;u_1=u(k);y_2=y_1;y_1=y(k); w1_1=w1(k);w2_1=w2(k);w3_1=w3(k); 画图语句 end figure(1); plot(time,r,b,time,y,r);xlabel(time(s));ylabel(Position tracking); figure(2); plot(time,e,r);xlabel(time(s));ylabel(error); figure(3); plot(time,w1,r);xlabel(time(s));ylabel(w1); figure(4); plot(time,w2,r);xlabel(time(s));ylabel(w2); figure(5); plot(time,w3,r);xlabel(time(s));ylabel(w3); %RBF Supervisory Control clear all; close all; ts=0.001; sys=tf(1000,[1,50,2000]); dsys=c2d(sys,ts,z); [num,den]=tfdata(dsys,v); y_1=0;y_2=0;u_1=0;u_2=0;e_1=0; xi=0;x=[0,0];b=0.5*ones(4,1);c=[-2 -1 1 2]; w=rands(4,1); w_1=w;w_2=w_1;xite=0.30; alfa=0.05;kp=25;kd=0.3; for k=1:1:1000 time(k)=k*ts; S=1; if S==1 r(k)=0.5*sign(sin(2*2*pi*k*ts)); %Square Signal elseif S==2 r(k)=0.5*(sin(3*