现代控制工程-神经网络控制.pptVIP

神经网络控制 基于神经网络的控制或以神经网络为基础构成的神经网络控制系统，称为神经网络控制（neural control）。 神经网络控制是近年来智能控制的一个非常活跃的研究领域。神经网络控制主要是将神经网络作为控制系统中的控制器与（或）辨识器，主要是为了解决复杂的非线性、不确定性系统在不确定性环境中的控制问题，使控制系统稳定、鲁棒性好，具有要求的动态和静态性能。 神经网络控制的优越性主要有： （1）神经网络可以处理那些难以用模型或规则描述的对象； （2）神经网络采用并行分布式信息处理方式，具有很强的容错性； （3）神经网络在本质上是非线性系统，可以实现任意非线性映射，容易应用于非线性控制系统； （4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题。 13.2 神经元与神经网络 13.2.1 生物神经元的结构 神经网络（neural networks，NN） 13.2.1 生物神经元的结构 13.2.1 生物神经元的结构 13.2.2 神经元数学模型 1943年，麦克洛奇和皮兹提出M－P模型。一般模型： 13.2.2 神经元数学模型 非线性激励函数（传输函数、输出变换函数） 13.2.2 神经元数学模型 非线性激励函数（传输函数、输出变换函数） 13.2.2 神经元数学模型 13.2.3 神经网络的结构与工作方式 决定人工神经网络性能的三大要素： 13.2.3 神经网络的结构与工作方式 1. 神经网络的结构 （1）前馈型（ 前向型） 13.2.3 神经网络的结构与工作方式 1. 神经网络的结构 （2）反馈型 13.2.3 神经网络的结构与工作方式 2. 神经网络的工作方式 13.2.5 神经网络的发展概况 13.2.5 神经网络的发展概况 13.2.5 神经网络的发展概况 13.2.5 神经网络的发展概况 13.2.5 神经网络的发展概况 13.3 BP神经网络及其学习算法 13.3.1 BP神经网络的结构 13.3.2 BP学习算法 13.3.3 BP算法的实现 13.3.1 BP神经网络的结构 13.3.1 BP神经网络的结构 13.3.1 BP神经网络的结构 13.3.2 BP学习算法 两个问题： 13.3.2 BP学习算法 目标函数： 13.3.2 BP学习算法 正向传播：输入信息由输入层传至隐层，最终在输出层输出。 反向传播：修改各层神经元的权值，使误差信号最小。 13.3.3 BP算法的实现 （1）初始化：对所有连接权和阈值赋以随机任意小值； （2） 从 N 组输入输出样本中取一组样本：x=[x1, x2,…, xp1]T, d=[d1, d2,…,dpm]T, 把输入信息x=[x1, x2,…, xp1]T输入到BP网络中 （3）正向传播：计算各层节点的输出： （4）计算网络的实际输出与期望输出的误差： 13.3.3 BP算法的实现 （5）反向传播：从输出层方向计算到第一个隐层，按连接权值修正公式向减小误差方向调整网络的各个连接权值。 （6）让t+1→t，取出另一组样本重复（2）－（5），直到 N 组输入输出样本的误差达到要求时为止。 13.3.3 BP算法的实现 13.3.4 BP算法的特点分析 13.3.4 BP算法的特点分析 根据神经网络在控制器中的作用不同，神经网络控制器可分为两类： （1）神经控制：以神经网络为基础而形成的独立智能控制系统； （2）混合神经网络控制：利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等。 13.6.1 神经网络控制器 13.6.2 神经网络预测控制 13.6.3 神经网络模型参考控制 13.6.4 神经网络内模控制 直流调速系统的单神经元控制器 2.单神经元控制器及其学习算法 神经元的特性取为： 数字PID控制算法的基本表示式为： 为使单神经元具有PID特性，可以分别取状态量 ： 直流调速系统的单神经元控制器 2.单神经元控制器及其学习算法 针对直流调速系统的特点，从控制角度出发，应用反馈原理，将无监督的Hebb学习规则和有监督的Widrow-Hoff规则结合起来，得到神经元控制器的学习算法。 直流调速系统的单神经元控制器 3.单神经元直流调速系统参数设计 THE END 3. 工作过程 第一阶段或网络训练阶段： N 组输入输出样本：xi=[xi1, xi2,…,