智能控制第六章 基于神经网络的智能控制.ppt

6.2 神经网络控制 上述结构方案中，CMAC自校正模块在监督学习下将完成如下非线性映射 难点是如何提供训练样本集。为此我们将采用如下方法，离线地提供训练样本集。 （1）在图6-14由网络模型组成的闭环控制系统中，整定一个初始化比例增益K0； （2）给定期望的时域性能指标Lrm； （3）令r（t）=1，对闭环网络模型的单位阶跃响应，计算相应的时域性能指标Lcm，0，从而得到指标误差向量eL0； （4）在可能的工作范围内，以一定的量化等级，将控制器增益进行摄动 ，按（3）得相应的指标误差向量eL，i，并记录下此对样本，这里i=1,2，…，N。 6.2 神经网络控制 （5）设计举例 6.2 神经网络控制 6.3 神经网络控制系统的分析 非线性动态系统的复杂性，使得常规的数学方法难以对它的控制特性进行精确的分析，至今还没有建立完整的非线性系统控制理论。采用神经元网络可以对一类非线性系统进行辨识和控制。有关能控性和稳定性地分析大都建立在直觉和定性的基础上，。分析的思路是：先给出原非线性系统稳定的可控条件，然后分析采用神经元网络后这些条件是否满足。 6.4 神经网络控制系统的应用 一、神经网络的模型辨识 下面介绍利用神经网络来获取氧气吹炼过程的模糊模型。此模型中，使用的输入变量如下： x1：I/PMn 吹炼开始时的锰含量 x2：T-CaO 补助材料中生石灰的总重量 x3：SL-T 取样熔钢的温度 x4：P-I/PMn 转炉前次吹炼后熔钢中的锰含量 在预报模型中，每个输入变量具有两个模糊集：大和小，其隶属函数分别用一个神经元单元即可实现。总的规则数为24=16，因此网络（c）层的节数为16.网络学习前，先将输入变量和输出变量按照现场收集的166个样本进行规格化，即将其值域按下式进行变换 6.4 神经网络控制系统的应用 网络在学习后所获得的对应模糊系统的模糊规则由表6-3所示。 6.4 神经网络控制系统的应用 输入变量的隶属函数由图6-17所示，图中虚线是学习前的隶属函数。 6.4 神经网络控制系统的应用 图 6-18 给出了模糊模型的输出值和实际测量值之间的曲线。由此可见，建模用的数据和评价模型用的数据均集中在直线的附近，因此建立的预报模型是比较准确的。 6.4 神经网络控制系统的应用 二、基于神经网络的机械手控制 1. 控制系统设计 在工业应用中，机械手臂具有结构和非结构的不确定性，为了克服它，提出了自适应控制方法。这种方法虽然可有效的克服结构性的不确定性，但对非结构性不确定性无能为力。因此人们借助于神经网络，利用NN的学习能力、非线性映射和并行处理能力对机械手臂进行控制。通常用的比较多的是在神经网络中建立受控对象的逆动力学模型。 6.4 神经网络控制系统的应用 2. 控制器设计 图6-19 表示用力矩计算法的控制器。 6.4 神经网络控制系统的应用 图6-20 表示具有神经网络力矩计算法的控制器。 6.4 神经网络控制系统的应用 3. 控制系统的实现 图6-21为实现神经元网络补偿器训练信号的控制系统。 6.4 神经网络控制系统的应用 4. 控制系统的仿真 图6-24表示了利用神经元网络控制器的轨迹控制的仿真结果。图中表示了第一次学习和第100次学习后在xy平面上画圆的结果。在神经元的学习过程中，机械手臂的轨迹很好的跟随期望轨迹，在第100 次学习后 ，跟 踪误差已收敛到一 个很小值。 Add your company slogan Company LOGO 第6章 基于神经网络的智能控制 目录 神经网络控制 2 神经网络控制系统的应用 4 神经网络建模 3 1 神经网络控制系统的分析 3 3 6.1神经网络建模 一、多层前馈神经网络的逼近能力MLP满足的条件 （1）MLP应具有产生g(w,x)=1的能力。 （2）可分性条件，这在MLP中相当于要求逼近网络具有泛化能力，即所谓不同输入产生不同输出。 （3）代数闭包条件要求MLP能产生函数的和与积。 6.1神经网络建模 二、利用多层静态网络的系统建模 1. 正向模型 所谓正向模型是指利用多层前馈神经网络，通过训练或学习，使其能够表达系统正向动力学特性的模型。图6-1给出了获得系统正向模型的网络结构示意图。 6.1神经网络建模 2. 逆模型 直接逆建模也称广义逆(Generalized Inerse Learing)，如图6-2所示。 （1）直接逆建模 由图中可以看出，拟辨识系统的输出作为网络的输入，网络输出与系统输入比较，相应的输入误差用来进行训练，因而网络将通过学习建立系统的逆模型。 6.1神经网络建模 正-逆建模也称狭