神经网络控制及应用辨识与控制.ppt

神经网络控制及应用辨识与控制;3.2.1神经网络系统辨识原理 ;1．动态系统的常用自回归滑动平均模型;系统Ⅰ对过去n个时刻的输出和过去m个时刻的输入是线性的 ； 系统Ⅱ对前n个时刻的输出是线性的，对前m个时刻的输入是非线性的 ； 系统Ⅲ对过去的输出是非线性的，对过去的输入是线性的 ； 系统Ⅳ对过去的输出和过去的输入都非线性的 ； 系统Ⅴ的输出是n个过去的输入和m个过去的输出非线性函数，是非线性系统的通用表达式，而系统Ⅱ～系统Ⅳ可看作它的特例。 ;3.2 神经网络系统辨识;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。 ;3.2 神经网络系统辨识;3.2 神经网络系统辨识;3.2 神经网络系统辨识;3.2 神经网络系统辨识;3.2 神经网络系统辨识;e(t);3.2 神经网络系统辨识; 在选取样本时，两组不同工况下的数据中的炉膛温度都进行线性化处理，工况1、2分别以炉温达850℃和880℃时取样的加热数据。 ;3.2 神经网络系统辨识;3.2 神经网络系统辨识;3.2 神经网络系统辨识; P=[0.2286 0.1292 0.072 0.1592 0.1335 0.0733 0.1159 0.094 0.0522 0.1345 0.009 0.126 0.3619 0.069 0.1828; 0.209 0.0947 0.1393 0.1387 0.2558 0.09 0.0771 0.0882 0.0393 0.143 0.0126 0.167 0.245 0.0508 0.1328; 0.0442 0.088 0.1147 0.0508 0.1328 0.115 0.1453 0.0429 0.1818 0.0378 0.0092 0.2251 0.1516 0.0858 0.067; 0.2603 0.1715 0.0702 0.2711 0.1491 0.133 0.0968 0.1911 0.2545 0.0871 0.006 0.1793 0.1002 0.0789 0.0909; 0.369 0.2222 0.0562 0.5157 0.1872 0.1614 0.1425 0.1506 0.1310 0.05 0.0078 0.0348 0.0451 0.0707 0.088; 0.0359 0.1149 0.123 0.546 0.1977 0.1248 0.0624 0.0832 0.164 0.1002 0.0059 0.1503 0.1837 0.1295 0.07; 0.1759 0.2347 0.1829 0.1811 0.2922 0.0655 0.0774 0.2273 0.2056 0.0925 0.0078 0.1852 0.3501 0.168 0.2668; 0.0724 0.1909 0.134 0.2409 0.2842 0.045 0.0824 0.1064 0.1909 0.1586 0.0116 0.1698 0.3644 0.2718 0.2494; 0.2634 0.2258 0.1165 0.1154 0.1074 0.0657 0.061 0.2623 0.2588 0.1155 0.005 0.0978 0.1511 0.2273 0.322]; T=[1 0 0;1 0 0;1 0 0;0 1 0;0 1 0;0 1 0;0 0 1;0 0 1;0 0 1]; threshold=[0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1]; net=newff(threshold,[31,3],{tansig,logsig},trainlm);;net.trainParam.epochs=50; net.trainParam.goal=0.001; LP.lr=0.1; net=train(net,P,T); %测试数据 test=[0.2593 0.18 0.0711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002; 0.21