9.10神经网络数字控制.ppt

9.10神经网络数字控制9.10.1基本原理在工程实际中，控制算法一般在计算机或DSP中实现，这就需要将控制算法离散化。本节讨论神经网络自适应控制律的数学化实现方法。数字控制系统结构如图9-34所示，其中控制器为数字控制算法，被控对象的输入、输出为模拟信号，通过D/A和A/D与数字信号相连接。数字控制算法的程序框图如图9-35所示。图9-34数字控制系统结构图9-35数字控制算法程序框图针对9.8节中的控制算法，选择被控对象为单电机模型，其动力学模型为(9.74)式中，，。。取，，则方程式(9.76)可转化为动力学方程(9.75)在Matlab仿真中，在每个采样时间T内，采用Runge-Kutta迭代算法求解式(9.77)，从而实现连续被控对象的离散求解，仿真中采用了Matlab函数“ode45”进行离散积分求解。针对自适应律的离散化问题，一种方法是利用采样时间进行差分的离散化，另一种方法是利用数值迭代方法进行离散化。下面介绍一种高精度数值迭代方法——RKM(Runge-Kutta-Merson)方法。以离散化为例，采样时间为T，如果采用差分方法离散化，n+1时刻的x值为，而采用RKM方法，则n+1时刻的x值为(9.76)其中针对自适应律式(9.65)的权值的表达式针对每个采样时间，采用RKM迭代算法式(9.78)进行求解，考虑到自适应律表达式中权值相当于式(9.78)中的，且没有出现时间变量t，采样时间为ts，故离散求解式(9.65)的Matlab程序如下：w(i,1)=w_1(i,1)+1/6*(k1+4*k4+k5);k1=ts*(gama*h(i)*xi*P*B-k1*gama*norm(xi)*w_1(i,1));k2=ts*(gama*h(i)*xi*P*B-k1*gama*norm(xi)*(w_1(i,1)+1/3*k1));k3=ts*(gama*h(i)*xi*P*B-k1*gama*norm(xi)*(w_1(i,1)+1/6*k1+1/6*k2));k4=ts*(gama*h(i)*xi*P*B-k1*gama*norm(xi)*(w_1(i,1)+1/8*k1+3/8*k3));k5=ts*(gama*h(i)*xi*P*B-k1*gama*norm(xi)*(w_1(i,1)+1/2*k1-3/2*k3+2*k4));9.10.2仿真实例仿真中，采用控制律式(9.53)和自适应律式(9.65)。在离散化自适应律式(9.65)微分方程时，取两种离散化方法：当S=1时，采用简单的差分方法进行离散化，当S=2时，采用RKM方法进行离散化。取m=1，l=1，g=9.8，d=0.5sin(t)，,,,。系统的初始状态为x=[0,0]。位置指令为，采样时间取，取控制器参数为，，，并取取自适应律参数为，，RBF网络的隐含层节点数取10，网络权值的初始值取0，高斯基参数初始值的选取见控制器主程序chap9_8.m。取M=1，未采用神经网络补偿，仿真结果如图9-36所示。取M=2，采用神经网络补偿，仿真结果如图9-37和图9