智能技术课件——第八讲 神经网络控制论.pptVIP

第八讲 神经网络控制论 基于神经网络的智能控制系统作为一个新兴领域，之所以能 引起控制界的兴趣，在于 (1)神经网络具有逼近任何非线性函数的能力； (2)它由简单神经元采用并行结构组成易于VLSI实现．从而使神经网络具有快速的高容错性的优点； (3)神经网络自身的结构和其多输入多输出的特点，使其易用于多变量系统的控制，且与其它退近方法相比更经济； (4)神经网络具有自学习和自适应的特性。因此ANN从自身特性表明它有在非线性相复杂控制系统中起着如传递函效在线性系统中所起的作用。 神经网络控制器的分类 1 导师指导下的控制器 这种控制器是假设人可以直接这类任务，只是价格、 速度、安全性等方面考虑采用自动控制。这种神经网络控制 结构的学习样本直接取自专家的控制经验。 2 逆控制器 训练神经网络逼近该系统的逆动力学模型，神经网络 接受系统的被与控状态信息，神经网络的输出该被控系统的 控制信号之差作为调整神经网络权系数的校正信号。可利用 常规BP学习算法来训练。训练后可以直接把神经网络控制器 接到动力学系统的控制端就可实现无差跟踪控制，即期望的 控制输出只要将此信息加到神经网络的输入端就可以。 3 自适应网络控制器 由图可知，控制器在结构上等同于线性系统的自适应控制 器，只是用非线性的神经网络代替了线性系统中的线性控制 处理单元。 4 神经内模控制 这种结构有较好的鲁棒性，在反馈回路中使用系统的前向 模型和逆模型。 5 前馈结制构控 系统结合反馈控制组成前馈补偿器的网络结构，可以用 反馈控制来提高抗干扰的能力，控制器的主要部分，特 别是非线性成分将由网络控制器来完成。 6 还有自适应评价网络和混合控制系统等 神经网络的逼近能力 考虑具有单个隐含层的前向传播神经网络，其输出属于集合 定义5－1 S型函数 如果函数 是非递减函数，且满足 则称它为S型函数。 定义5－2 距离函数 给定的函数空间S， 设f，g，h∈S。则满足一下条件： 的映射称为距离函数 －稠密 一个度量空间（X， ）中的子集S称为是自己T上的稠密，只有当：对于任意一个给定的ε0,对所有的t∈T， 存在一个s ∈S时，有 ( s，t） ε. 定理5－1 若神经元的激励函数 Ψ是S型函数，那么∑（Ψ） 在C（U）中是 稠密。 非线性动态系统的神经网络辨识 1 神经网络辨识模型的结构 （1） 前向模型 利用神经网络来逼近非线性系统的前向动力学模型，其结构如下。 （2） 逆模型 非线性动态系统的神经网络辨识 非线性离散时间动态系统一般来说，有一下四种类型 f，g分别是非线性函数，[u(l), y(l)] 表示在l时刻的输入－输出对 对这些模型，假定： 1） 线性系统的阶次 n， m已知。 2） 系统是稳定的，即对所有的有界输入输出也是有界的。 3） 系统是最小相位系统。 4） u（l－i）和 y（l－j） i，j＝0，1，… 可以测量。 非线性动态系统的神经网络辨识有两种模型结构，并行结 构和串行结构。由于串行结构具有较好的收敛性，主要以串行 结构来讨论非线性动态辨识问题。 1－2类型 对前面提到的四种类型，按有无线性系统部分分为两大类。 1－2为一组，3－4为一组。对前者，按按线性部分参数是否 已知，还可分为 （1）线性部分参数已知 这时辨识问题可以归结为带时滞的多 层感知网络模型的学习问题。 它们的结构如下。 （2）线性部分参数未知 这时辨识问题可归结为带时滞的 多层感知网络模型的学习和线性系统的参数估计问题。 在这个结构中，向量α表示线性部分的未知参数，对模型1 的递推辨识算法为 S是前一隐含层的神经元下标变量