神经网络分析和总结.docx

许多工业过程和实际控制对象具有非常复杂的不确定性，以致无法用精确数学建模方法给出有效的可控模型，使得经典和现代控制理论方法难以应用。 利用人工网络对被控对象进行离线辨识加在线自学习 改进方案比 Smith 预估器在反馈通道上多了一个调节器，稳定性优于原Smith 补偿方案，对模型的精度要求明显降低 估被控对象输出，这两个神经网络分别代替被控对象数学模型主回路的滤波器图中 NN1 神经网络主要对被控对象的非延时部分进行辨识，NN2 和 NN1 结构相同，用来预 估被控对象输出，这两个神经网络分别代替被控对象数学模型主回路的滤波器 神经网络的在线学习在运行过程中，根据 NN1 和被控对象输出的误差指标来随时修正神经网络权值，使得神经网络的输出跟接近对象输出。在线学习可以学习到对象的动态特性，而且在对象特性变化时，可以使神经网络跟上对象变化。