第5章-神经网络在控制中的应用.pptVIP

5.3.1基于BP神经网络的PID控制 5. 3神经网络控制实例 5.3.1基于BP神经网络的PID控制 5. 3神经网络控制实例 5.3.3神经网络学习控制 神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器来控制对象。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。 5. 3神经网络控制实例 例：三关节机器人视觉伺服系统神经网络学习控制 问题描述： 利用摄像机观测目标小球与机器人末端手爪之间的相对位置，由此构成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪到达小球。 目标小球的特征 特征提取 Xc Yc Zc x y (x,y) (XP,YP,ZP) Oc f 目标在成像平面的特征可以分解为：目标中心点在成像坐标系的坐标（x，y）以及目标的半径r。 控制系统： 视觉伺服问题可以转化为：根据目标特征与期望特征的误差，通过控制器控制机器人运动，使目标特征到达期望特征。 * 神经网络在控制中的应用 神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术 5.1 神经网络辨识 系统辨识是自适应控制的关键所在，它通过测量对象的输入输出状态来估计对象的数学模型，使建立的数学模型和对象具有相同的输入输出特性。 神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。 神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近实际系统的数学模型。 5.1 神经网络辨识 5.1.1 神经网络系统辨识的原理 系统辨识的原理就是通过调整辨识模型的结构来使e最小。 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=1/2e2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。 5.1 神经网络辨识 5.1.2多层前向BP网络的系统辨识 假设非线性对象的数学模型可以表示为： 其中f是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。 5.1 神经网络辨识 多层前向BP网络系统辨识原理图 5.1 神经网络辨识 网络的输出可以通过下式计算得到： H（*）表示隐层神经元的激发函数 Wij(1),Wj(2)分别表示网络第1-2层和2-3层的连接权值 5.1 神经网络辨识 定义网络训练的目标函数为： 则网络训练的BP算法可以描述为： 1)实验设计 确定输入信号、采样周期、辨识时间、开环或闭环、离线或在线等等。 2)确定辨识模型M的结构 M的结构设计主要依靠人的经验来确定，M可以由一个或多个神经网络组成，也可以加入线性系统。 3)确定辨识模型的参数 需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般的BP学习算法辨识网络的权值参数。 4)模型检验 模型的实际应用效果是对系统辨识效果优劣的检验标准。 5.1 神经网络系统辨识 辨识的主要步骤 5.1 神经网络系统辨识 在线辨识与离线辨识 在线辨识是在系统实际运行中进行的，辨识过程有实时性要求。 离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。 离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。 在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。 神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线性控制、系统辨识和自适应控制等等。 本节简要介绍人工神经网络控制的常用结构，重点介绍几种神经网络控制方案的设计方法、性能分析以及应用举例 。 5.2 神经网络控制 5.2 神经网络控制 神经网络在控制中主要起以下作用： (1)基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用；