人工神经网络理论和应用.pptVIP

系统使用神经网络 示例：单自由度机械臂 ?：摆角； u: 电机施加扭矩 参考模型： NN MRAC控制器演示 mrefrobotarm 模型预测控制基础 考虑SISO模型，控制目标：yp (k)跟踪yr (k) 思想：神经网络预测；最优控制解u 神经网络预测控制(NNPC)框图 yr(n) 神经网络预测控制(NPC) J NNPC计算步骤 生成参考轨迹。如未知，则设为常量； 使用前一时刻计算的控制输入向量?u,进行模型预测，得到预测输出； 根据预测输出计算最优控制向量； 重复2,3, 直到误差小于指定精度； 取控制向量中的第一个元素作为控制输入； 在每一采样时刻重复上述过程。 NNPC使用的NN CSTR(连续搅拌反应罐)问题 h(t): 液位； w1(t), Cb1: 浓缩料1的注入速率(流速)和浓度； w2(t), Cb2: 稀释料2的注入速率(流速)和浓度； k1, k2: 消耗速率 数学模型 控制目标：通过调整流速w1(t)保持产品浓度Cb(t) 使用过程演示 predcstr 使用过程演示 图4-6-1　内模控制基本结构 内模控制——基本原理I 图4-6-1　内模控制基本结构 内模控制——基本原理II 图4-6-1　内模控制基本结构 内模控制——模型与对象匹配 当对象稳定，模型与对象完全匹配时，有： 控制系统相当于开环； 控制系统稳定-D和P零极点在单位圆内； 若控制器取 ，即能实现完全控制 内模控制——模型与对象失配 系统输出与模型差及扰动量有关； 对于阶跃输入，系统稳态误差终值： 若 ，且 ，注意到 则稳态误差为0，称为无静差特性 内模控制——控制器设计I 被控对象： 控制器设计 (1) 稳定的内模控制器设计 内模控制器应是稳定的、物理可实现的 (2) 滤波器设计 改善模型失配、 时延问题。可改 善系统动态响应 和平滑噪声 内模控制——控制器设计II 系统输出： (1) 闭环特征方程变为 通过配置滤波器，改善响应 (2) 取 简化设计，此时： (3) 可取一阶形式 ？ 内模控制——控制器设计III (1) 取上述形式，误差终值为1. (2)若 全部特征根均在Z平面单位圆内，则闭环系数稳定。 (3)适当选取滤波器的参数，可增强系统的稳定性、鲁棒性。但需兼顾鲁棒性与快速性。因增大，使系统克服模型失配与参数波动的能力提高，但使其 输出响应变缓。 (4)鲁棒性：注意到 抗干扰能力 内模控制——例3 神经网络内模控制器设计 演示 人工神经网络理论及应用 屈桢深 哈尔滨工业大学 11. 神经网络控制 主要内容 神经网络控制基础 神经PID控制 NARMA控制 神经模型参考自适应控制 其他控制方法(MPC等) NN控制基础 是将神经网络在相应的控制结构中做控制器、辨识器 主要是为解决复杂的非线性、不确定、不确知系统，在不确定、不确知环境中的控制问题 使控制系统稳定、鲁棒性好，具有要求的动态、静态性能 NN控制与已有控制方法关系 能对变化的环境具有自适应性，且成为基本上不依赖于模型的一类控制，因此，神经控制已成为 “智能控制”的一个新的分支 将具有学习能力的控制系统称为学习控制系统。NN控制是有学习能力的，属于学习控制 控制系统设计过程 控制系统分析――正问题求解： （1）已知控制系统中各环节结构、参数； （2）已知被控对象所处的环境 求解控制系统的稳定性、动态、稳态特性。 控制系统设计（综合）――逆问题求解： 有多种解法，可选择不同的控制结构，确定不同的准则函数。 确定性系统NN控制设计 已知对象特性及外加扰动是确定性的，时不变的； 已知系统期望输出r，要求的性能指标。 控制系统的设计： 设计控制器，校正对象的特性，使控制系统达到要求的性能指标，即使控制系统在r作用下，由控制器给出的控制量u作用于对象，使其输出y跟踪r 。 　 对于确定性系统与环境，选择某种控制结构，可设计出确定参数的控制器。 不确定环境下NN控制设计 对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统的设计问题，是控制领域研究的核心问题。神经控制是解决问题的一条途径。 在已知被控对象的一些先验知识情况下： 由神经网络做辨识器，在线识别对象模型，由于网络的学习能力，辨识器的参数可随着对象、环境的变化而自适应的改变。 由神经网络做控制器，其性能随着对象、环境的变化而自适应的改变（通过神经辨识器）。 神经网络系统实现(硬件) 神经控制绝大多数是数字控