神经网络ID控制.pptVIP

4.34神经网络PD控制 方案一 的△]△· 对象 △2 (k-1) NNI 学习算法1 图一神经网络PD控制系统结构图  k)=e(k) x2(k)=△e(k)=e()-e(k-1) x3(k)=△e(k)=e(k)-2e(k-1)+e(k-2) e(k)=r(k)-y(k) NNC的输出为 △(k)=k1x1(k)+k2x2(k)+k3x3(k) 式中k,=1,2,3为权系数,△n(k)为输入信号的 加权和。由此可见,NNC具有增量PID控制的结构  采用性能指标 (k+1)-y(k+1)] 的最小化来训练权系数k}=1,2,3。则 △k,()=-2、OJ ak, (k) x[(k+1)-y(k+1)] ay(l +1) x2(k) ou(k) 为学习速率,0A 1,2,3  ay(k +1) 由于 未知,所以采用N/来辨识对象模型 ou(k) 以求得 ay(k+1) 的替代量(k+1) ou(k) Ou(k) 设被控对象为单输入单输出的非线性系统,擻数学 模型为 y(k) y(k-1),y(k-2),…,y(k-n、) u(k-1),u(k-2),…,u(k-nn) 式中,y(k)u(k)为系统输出和输入;n,、nn为{y}和{} 的阶次;F为非线性函数。上式可写为 y(k+1)=Fy(k),y(k-1),…,y(k-n,+1) (k),a(k-1),…,a(k-nn+1)](3)  NN采用三层BP网络,网络的输入层有,=n+nn+1 个神经元。其构成为 y(k-j), 0≤j≤n.-1 O1(k) u(k 1≤j≤n+n-1 1)(k)=1 网络的隐含层单元个数≥n,其输入输出关系为 ne2(k)=∑ol2(k)o(k) (2(h)=fhet?2(k)  隐含层 Ju 输出层 y(k+1) 输人层vA +1 +1 n,+n+1 图二辨识器网络NN结构图  (5)式中o为隐含层加权系数,a1(m,+,为阈值 (k)=6,(k);[激发函数 fLx」=tanh(x) 1+e 网络的输出层单元个数1,激发函数[x]=x, 输出为 k+1)=∑(k)O(k) 式中o为输出层加权系数,a”为阙值,o=y。  NN利用BP学习算法来修正加权数和阈值使 性能指标 (k+1)-y(k+1) 最小化,加权系数的谴整规律为: △al(k)=n[y(k+1)-(k+1)y;(k)+a△al(k-1) △o(k)=nLvk+1)-(k+1)l(k)J[ve2(kp(k) a△o:(k-1) i=1,2 j=0,1,…,n+n 式中n为学习速率,a为动量系数,其值均和上取值 加入动量项的目的是使艘索过程快速收敛于娟极小  ay(k +1) 由(4)~(6式可导出 的计算式,因 ou(k) ay(k+1)g a(k+1)802(k) anet(k) ou(k) 00:(k)anet;(k) au(k) ∑o(k)f[e(k)]oa(k) 经过适当的学习后,NN的输出将逼近y,因此 )式中的oy(+1) 可用(k+1) 代替 ou(k) ou(k)  综上所述,图一所示的神经网络PD控制 系统的算法步骤 事先选定NNBP神经网络的结构,即选定输入 层节点数n1和隐含层节点数Q;选定学习速率 和动量系数a。用(-1,1)之间的随机值对NNc 和NN的权值进行初始化,令k=0 采样得y(k)、r(k)。 3.计算e(k)=r(k)-y(k) △e(k)=e(k)-e(k-1) △e(k)=e(k)-2e(k-1)+e(k-2)