1530非线性自适应逆控制及其应用.pdfVIP

第2章神经网络控制 2.1引言 神经网络是基于生物神经系统具有的分布式存储、并行处理和自适应学习 能力等特点构造出的具有低级智能的人工神经网络系统[8’9]。它发展非常迅 速，在理论上，对它的计算能力；对任意连续映射的逼近能力；学习理论及动态网 络的稳定性分析等方面都取得了丰硕的成果。在应用上，已迅速扩展到许多重 要领域，如模式识别、图像处理、 控制与优化、预测与管理及通信等。但是神经网 络只能描述大量数据之间的复杂函数关系，难于理解，并且神经网络涉及的神经 元很多，计算量大。针对神经网络的这一缺点， 利用模糊系统善于表达人的经验 性知识，可以处理带有模糊性的信息这一特点，用神经网络来构造模糊系统产生 了目前研究和应用最多的一类模糊神经网络。这样就可以利用神经网络的学习 方法，根据输人输出样本来自动设计和调整模糊系统的设计参数， 实现模糊系统 的自学习和自适应功能。因此，要理解模糊神经网络算法必须先了解神经网络 和模糊控制算法。神经网络、模糊控制以及模棚神经网络都是非线性自适应逆 控制的基础，我们首先介绍神经网络。 本章先介绍人工神经元模型、网络的结构及工作方式以及网络的学习方法; 接着介绍径向基函数(Radial Basis function)网络RBF[1° ]、非线性自回归滑动平 均 （NARMA，Nonlinear Auto Regressive Moving Average)网络、反向传播 （BP， Back propagation)网络及 CM AC (Cerebellar model articulation controller)网 络[11]的算法和特点。 2.2人工神经元模型 图2. 1所示为神经网络 （NN，Neural Network)基本单元的神经元模型，它 有3个基本要素： (1) 一组连接权 (对应于生物神经元的突触），连接强度由各连接上的权值 表示，权值为正表示激励，为负表示抑制； 28 第2章神经网络控制 (2) —个求和单元，用于求取各输人信息的加权和(线性组合）； (3) —个非线性激励函数，起非线性映射作用并限制神经元输出幅度在一 定的范围之内 （一般限制在[〇， 1]或之间）。 此外还有一个阈值心 （或偏置h =—心）。以上作用可以用数学式表达为 P uk - ^Wk}Xj ”1 Vk = uk - dk (2.1) yk = 式中，Ali，X 2为输入信号；Wju , ，…，为神经兀A ：之权值；Wfc为线 性组合结果；心为阈值•)为激励函数;h为神经元的输出。 激励函数 求和 阈值 权值 图2.1神经元模型 可以把输入的维数增加一维，从而把阈值心包括进去，如 P 叫 =(2.2) j = 0 yk = 9ivk) 此处增加了一个新的连接，其输入为；》：。= —1( + 1)，权值为：u；fcQ =心如 图2.2所示。 激励函数•)可以有以下几种