第十三章神经网络建模与控制.pptVIP

（ 5 ）在线逆模型辨识（模型还是例 6 的模型） 例 6 用线性自适应神经元进行线性系统逆模型辨识 在线逆模型辨识（但是不能用 M 序列，可用正弦和 随机数）证明在线难度大 （ 4 ）离线逆模型辨识： 输入 u(k) 循环周期 Np=15 的四阶 M 序列 程序名称 Bianshi_ADLINE_L_O.M （离线） 13.3 基于神经网络的系统辨识示例 Bianshi_ADLINE_Z_O.M （在线） 这里主要解决如下的几个问题： （ 1 ）神经控制的设计问题 （ 2 ）神经控制的集中结构及设计 （ 3 ）再励学习原理，再励学习与神经控制。 1 ）神经网络控制系统的设计与实现 （ 1 ）神经控制系统的一般结构 × 神经控制器 y(t) - T 保持器 对象或过程 传感器 u(t) T e(t) r(t) 13.4 基于神经网络的系统控制 (a) 闭环确定性系统的 ANN 控制 对于该神经控制的设 计，就是神经辨识器、 控制器结构（包括动 态神经网络种类、结 构）的选择，很可能 需经多次试探过程， 在 L2 意义下，使准则 函数： ANNC k e k y t r k E ANNI k e k y k y k E 2 2 2 2 2 1 2 1 2 1 ) ( 2 1 )] ( ? ) ( [ 2 1 ) ( ) ( 2 1 )] ( ? ) ( [ 2 1 ) ( ? ? ? ? ? ? ? ? ? ? 13.4 基于神经网络的系统控制 (b) 不确定、不确知 系统的一般结构（这 里是单位反馈） 2) 神经自校正控制 神经自校正控制包括直接型（直接逆动态控制），间接型 （就是常说的自校正控制）。 13.4 基于神经网络的系统控制 （ 1 ）神经网络直接自 校正控制 此种控制结构要求对象 可逆，其中 ANNI 和 ANNC 结构相同。学习 算法也相同，输出 y 跟 踪输入 r 的精度取决于 逆模型的精度。另外， 这种控制由于是开环控 制，因此在实际工业生 产应用的很少 (2) 神经网络自校正控制结构 由两个回路组成：自校正控制器与被控对象构成的反馈回路， 神经网络辨识器与控制器设计，以得到控制器的参数。需要在线 设计与实现。 13.4 基于神经网络的系统控制 × Gc y(k) - 系统 u(k-1) r(k) 被控对象为： ) ( )] 1 ( , ), ( ); 1 ( , ), ( [ )] 1 ( , ), ( ); 1 ( , ), ( [ ) 1 ( k u m k u k u n k y k y m k u k u n k y k y g k y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 式中， u,y 分别为对象的输入、输出。 g[], φ [] 为非零函数，如 果这两个均已知，根据确定性等价原则，控制器的控制算法 为： ] [ ) 1 ( ] [ ] [ ) ( ? ? ? ? ? ? ? ? ? k r g k u 此时，控制系统的输出 y(k) 能精确地跟踪输入 r(k)--- 系统期望 输出。 13.4 基于神经网络的系统控制 ) ( ) ( ]) [ ( ] [ ) 1 ( ] [ ] [ ) ( k r k g g k u g k y ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 如果 g[], φ [] 为未知，则通过在线训练神经网络辨识器，使其逐 渐逼近被控对象，由辨识器的函数代替这两个函数，则控制器 的输出为： 式中， Ng[], N φ [] 分别为组成辨识器的非线性动态神经网络 ] [ ) 1 ( ] [ ] [ ) ( ? ? ? ? ? ? ? ? ? N k r N Ng k u 13.4 基于神经网络的系统控制 （ 3 ）神经网络辨识器 为使问题简化，考虑如下一阶被控对象： 网络辨识器由两个三层非线性 DTNN 实现，网络输入 {y(k- 1),u(k-1)}, 输出为： 式中 W,V 为权系数。图中 L 表示线性节点 f()=x 。 H 为非线性节 点 ) ( )] ( [ ) ( [ ) 1 ( k u k y k y g k y ? ? ? ? ) ( )] ( ); ( [ )] ( ); ( [ ) 1 ( ? k u k V k y N k W k y Ng k y ? ? ? ? ) ( ) ( ] [ ] [ ] [ ] [ ) ( k r k y N g Ng e e e e