神经网络控制PPT课件.pptVIP

. 版权所有 复制必究 2009 第6章　神经网络控制 基本原理 1 神经网络系统辨识 2 直接逆模型控制 3 模型参考自适应控制 4 内模控制 5 第6.1节 神经网络控制的基本原理 6.1.1 神经网络控制的基本思想 6.1.2 神经网络在控制中的主要作用 神经网络的特点及应用领域 特点： 大规模并行性；冗余性； 容错性；本质的非线性； 自组织、自学习、自适应性。 应用领域： 最优化；模式识别； 信号处理；图象处理； 控制 6.1.1 神经网络控制的基本思想 神经网络可以处理难以用模型或规则描述的过程或系统。 神经网络采用并行分布式信息处理方式，具有很强的容错性，适于处理实时性要求高的控制系统。 神经网络是本质的非线性系统，可以实现任何非线性映射。 神经网络具有很强的信息综合能力。 能够同时处理大量不同类型的输入； 能够很好地解决输入信息之间的互补性与冗余性问题； 能够恰当地协调好互相矛盾的输入信息。 神经网络的硬件实现愈趋方便。 神经网络用于控制的优越性 传统的控制方法是都是基于模型的，需要被控对象的数学模型。 模糊控制是基于专家经验和领域知识的，根据模糊推理实施控制规则。 这两种方式都具有显式表达知识的特点。 出发点：利用神经网络很强的逼近非线性函数的能力 应用对象：模型已知、未知的；线性的、非线性的 神经网络控制的基本思想 神经网络输入输出关系为： 系统输入输出关系为： 设被控对象输入输出关系为： 若有： 则： NN控制器 被控对象 yd y ﹢ ﹣ u g f 注：由于神经网络控制对象一般比较复杂且高度非线性，g(.)难以建立，所以利用e=yd-y来调整神经网络权值。 神经网络控制的基本思想（续） 在控制系统中采用神经网络这一工具对难以精确描述的复杂非线性对象进行建模、控制、优化计算、推理或者故障诊断，以及同时具有上述某些功能的适当组合，将这样的系统统称为神经网络控制系统。 基于精确模型的各种控制结构中充当对象——辨识。 在反馈控制系统中直接充当控制器——控制器。 在传统控制器中优化计算作用——优化PID参数。 与其它智能算法的结合。 6.1.2 神经网络在控制中的作用 第6.2节 神经网络系统辨识 6.2.1 系统辨识基本原理 6.2.2 非线性系统辨识 在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。 基本要素： 输入/输出数据—能够量测到的系统的输入/输出 模型类—所考虑的系统的结构 等价准则—辨识的优化目标 推广： 在输入和输出数据的基础上，从一组模型中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际系统的动态或静态特性。 辨识 6.2.1 系统辨识基本原理 被控对象 ﹢ ﹢ 辨识模型 ﹢ ﹣ 神经网络辨识 本质：从神经网络模型中选择一个模型来逼近实际系统模型。 方法：利用输入输出数据来训练神经网络，使网络的输出与待辨识系统的输出接近。 模型的选择 模型仅是在某种意义下对实际系统的一种近似描述，模型的确定要兼顾其精确性和复杂性。 模型越精确，模型就会变得越复杂； 适当降低模型的精度要求（只考虑主要因素），模型就简单。 选择的方法： 无理论指导，可通过实验或仿真 可通过遗传算法来学习神经网络的结构以实现特定的要求。 神经网络辨识的三要素 输入信号的选择 从时域上看，要求输入信号必须充分激励系统的所有模态。但系统有多少模态弄不清楚。 从频域上看，要求输入信号的频谱必须足以覆盖系统的频谱。 通常选用白噪声或伪随机信号作为系统的输入信号。 误差准则的选择 是用来衡量模型接近实际系统的程度的标准，通常表示为一个误差的泛函。 神经网络辨识的三要素（续） 不要求建立实际系统的辨识格式。 可以对本质非线性系统进行辨识，而且辨识是通过网络外部的输入/输出来拟合系统的输入/输出，网络内部隐含着系统的特性。 辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络结构和所采用的学习算法有关。 神经网络的权值对应于模型参数，可通过学习修改。 神经网络实际上是待辨识系统的物理实现，可用于在线控制。 神经网络辨识的特点 利用神经网络来逼近非线性系统的前向动力学模型。 非线性系统 神经网络N 学习规则 TDL TDL TDL ﹢ ﹢ ﹢ ﹣ 前向建模法 把系统动力学特征直接引入到网络本身中来，如回归神经网络。 在网络输入信号中考虑系统的动态因素，即将输入输出的滞后信号加到网络输入中来，从而保证网络的输出含有先前的输入、输出信息，模拟离散的动态系统。如可用多层前向神经网络实现。 前向建模法（续） 局限性： 通常要建模系统的结构未知。 考虑一类非线性离散动态系统： 前向建模法（续） 选择神经网络的结构与系统的结构一致。 必要性：在非线性系统的控制中经常需要非线性系统