神经网络在控制中应用.pptVIP

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 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.1 神经网络辨识 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 5.2 神经网络控制 RNNI的第一个输出轨迹 RNNI的第二个输出轨迹 （3） 神经网络间接自校正控制 自校正调节器的目的是在控制系统参数变化的情况下，自动调整控制器参数，消除扰动的影响，以保证系统的性能指标。在这种控制方式中，神经网络(NN)用作过程参数或某些非线性函数的在线估计器。 假设被控对象的模型为 yk+1＝f(yk)+g(yk)·uk 则用神经网络对非线性函数f(yk)和g(yk)进行辨识，假设其在线计算估计值fd(yk)和gd(yk)，则调节器的自适应控制律为 uk=(yd -fd(yk)/gd(yk) 此时系统的传递函数为1 5.2.5 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。 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。 机器人视觉伺服控制系统的神经网络学习控制器 神经网络结构 Δx Δy Δr Δθ1 Δθ2 Δθ3 输入层 隐含层 输出层 神经网络的学习： 神经网络以常规控制器的输出up的最小化为目标进行学习。 如果学习的目标函数定义为： J＝1/2(u-un)2 其中u为复合控制器的输出，un为网络的输出。 那么根据BP算法可得网络在线训练时的权值修正算法为： 可以看出，网络在线训练的算法无需用到机械手和特征提取的模型信息，从而可以有效、快速地对神经网络进行在线学习和优化。 控制结果 机械手的具体参数为： L1=300cm； L2=260cm； L3=260cm。 摄像机的焦距: f =50cm。 目标小球的半径为: 10cm。 摄像机在基座坐标系的初始坐标为(490，79，337)。 期望图像特征为： Xd＝0,Yd＝0，Rd＝10 目标小球中心在基座坐标系的坐标为: (300，300，200) *为神经网络学习控制； o为常规比例控制器控制 图像坐标X变化曲线 *为神经网络学习控制； o为常规比例控制器控制 图像坐标Y变化曲线 *为神经网络学习控制； o为常规比例控制器控制 半径r变化曲线 * 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。 5.1.1 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。 5.1.2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。 多层前向BP网络系统辨识原理图 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