神经网络在控制中的应用.ppt

RNNI第一个输出轨迹 RNNI第二个输出轨迹 5.2 神经网络控制 （3） 神经网络间接自校正控制 自校正调整器目是在控制系统参数改变情况下, 自动调整控制器参数, 消除扰动影响, 以确保系统性能指标。在这种控制方法中, 神经网络(NN)用作过程参数或一些非线性函数在线估量器。 假设被控对象模型为 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, 假设其在线计算估量值fd(yk)和gd(yk), 则调整器自适应控制律为 uk=(yd -fd(yk)/gd(yk) 此时系统传输函数为1 5.2 神经网络控制 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组成复合控制器来控制对象。系统以反馈控制器输出作为评价函数来调整神经网络权值。这么, 在控制之初, 反馈控制器作用较强, 而伴随控制过程进行, NN得到越来越多学习, 反馈控制器作用越来越弱, NN控制器作用越来越强。 * 文档如有侵权，请联系本人协改正删除，内容如有不当之处，请联系本人改正或者删除，谢谢。 神经网络在控制中的应用 神经网络在控制中应用 神经网络辨识技术 神经网络控制技术 5.1 神经网络辨识 系统辨识是自适应控制关键所在, 它经过测量对象输入输出状态来估量对象数学模型, 使建立数学模型和对象含有相同输入输出特征。 神经网络对非线性函数含有任意迫近和自学习能力, 为系统辨识, 尤其是非线性动态系统辨识提供了一条十分有效路径。 神经网络系统辨识实质上是选择一个合适神经网络模型来迫近实际系统数学模型。 5.1 神经网络辨识 5.1.1 神经网络系统辨识原理 系统辨识原理就是经过调整辨识模型结构来使e最小。 在神经网络系统辨识中, 神经网络用作辨识模型, 将对象输入输出状态u, y看作神经网络训练样本数据, 以J=1/2e2作为网络训练目标, 则经过用一定训练算法来训练网络, 使J足够小, 就能够达成辨识对象模型目。 5.1 神经网络辨识 5.1.2多层前向BP网络系统辨识 假设非线性对象数学模型能够表示为: 其中f是描述系统特征未知非线性函数, m, n分别为输入输出阶次。则能够利用多层前向BP网络来迫近非线性函数, 进而估量对象模型。 5.1 神经网络辨识 多层前向BP网络系统辨识原理图 5.1 神经网络辨识 网络输出能够经过下式计算得到: H（*）表示隐层神经元激发函数 Wij(1),Wj(2)分别表示网络第1-2层和2-3层连接权值 5.1 神经网络辨识 定义网络训练目标函数为: 则网络训练BP算法能够描述为: 5.1 神经网络辨识 5.1.3. 递归神经网络系统辨识 递归神经网络结构 5.1 神经网络辨识 递归神经网络输入输出关系能够描述为: H（*）表示隐层神经元激发函数 Wij(1),Wjk(2)分别表示网络第1-2层和2-3层连接权值 Wi(0)表示网络第一层递归权值 5.1 神经网络辨识 因为递归神经网络本身含有动态反馈环, 能够统计以前状态, 所以用递归神经网络来对非线性对象进行辨识时只需以对象目前输入状态u(t)和前一时刻输出状态y(t-1)作为网络输入即可, 与前向多层神经网络相比, 网络结构较为简单。 5.2 神经网络控制 神经网络在控制中关键起以下作用: (1)基于正确模型多种控制结构中充当对象模型; (2)在反馈控制系统中直接充当控制器作用; (3) 在传统控制系统中起优化计算作用; (4)在与其它智能控制方法和优化算法相融合中, 为其提供对象模型、优化参数、推理模型及故障诊疗等。 5.2 神经网络控制 5.2.1 神经网络直接反馈控制系统 神经网络直接用作误差闭环系统反馈控制器, 神经网络控制器首先利用其它已经有控制样本进行离线训练, 以后以系统误差均方差为评价函数进行在线学习。 5.2 神经网络控制 5.2.2 神经网络逆控制 自适应逆控制基础思想就是用被控对象传输函数逆模型作为串联控制器对控制对象实施开环控制。 神经网络先离线学习被控对象逆动力学模型, 然后用作对象前馈串联控制器。因为开环控制缺乏稳定性, 所以神经网络还需要依据系统反馈误差在线继续学习逆动力学模型 5.2 神经网络控制 5.2.3 神经网络内模控制 将对象模型与实际对象相并联, 控制器迫近模型动态逆。 通常有两种方法: 1) 两个神经网络分别迫近模型和模型逆; 2) 采取神经网络迫近模型, 然后用非线性优化方法数值计算内模控制量。 5.2 神经网络控制