第五章神经网络控制论引言.pptx

第五章神经网络控制论;由于神经网络本质上是一个大规模并行分布处理的非线性动力学系统，并在更高层次上体现出一些人脑的智能行为，为智能控制提供了新途径。

神经网络控制的优越性体现在：

神经网络可以处理那些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，具有很强的容错性。

神经网络是本质的非线性系统。

神经网络具有很强的信息综合能力。

神经网络的硬件实现愈趋方便。;神经网络控制器的分类

根据神经网络在控制系统中的作用不同，又可分为两大类

一是神经控制，它是以神经网络为基础而形成的独立智能控制系统

二是混合神经网络控制，它代表着那些利用神经网络学习和优化能力来改善传统的控制方法;神经网络控制器的典型分类

导师指导下的控制器

逆控制器

自适应网络控制器

前馈控制结构

自适应评价网络

混合控制系统;导师指导下的控制器：神经网络控制结构的学习样本直接取自于专家的控制经验。一旦神经网络的训练达到了能够充分描述人的控制行为时，则网络训练结束;逆控制器：如果一个动力学系统可以用一个逆动力学函数来表示，则采用简单的控制结构和方式是可能的;模型参考自适应网络控制器：利用神经网络将线性系统经典的自适应控制设计理论和思想方法直接引到非线性系统自适应控制系统中来是可能的;神经内模控制结构：系统的实际输出与模型M的输出信号差用于反馈的目的。这个反馈信号通过前向通道上的控制子系统G预处理。通常G是一个滤波器，用于提高系统的鲁棒性。系统模型M和控制器C可以由神经网络来实现;前馈控制结构：通常单纯的求逆控制结构不能很好地起到抗干扰能力，因此结合反馈控制的思想组成前馈补偿器的网络控制结构;自适应评价网络是由Barto,Sutten和Anderson在1983年提出来的。整个学习系统由一个相关的搜索单元和一个自适应评价单元组成，在这个算法中，相关搜索单元是作用网络。自适应评价单元为评价网络。它不需要控制系统数学模型，只是通过对某一指标准则J的处理和分析得到奖励或惩罚信号。;神经网络的逼近能力

首先要搞清楚到底什么样的被控系统???以用神经网络来描述。对于众多的神经网络类型来说，要得到一个统一的神经网络逼近理论是不现实的，况且，还有很多神经网络结构的逼近性问题至今尚未得到证明

多层前向传播神经网络能够相当好地逼近许多实际问题中的非线性函数。

这一节就要回答这个问题。;神经网络的逼近能力

含有两个隐含层的前向传播神经网络，且神经元激励函数为单调的S型函数，则此神经网络能够得到合适的逼近精度

对于在紧凑集中的任何平方可积函数可以通过有限个隐含神经元组成的二层前向传播神经网络来逼近，并能达到任意逼近精度。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：

其中：x表示n维输入矢量，=(1,xT)T;

vj表示隐含层第j个神经元到输出层的权值；

wj表示输入矢量到隐含层第j个神经元的权值矢量

j=1,2,...,q；q为隐含层神经元个数；

Ψ(·)为隐含层神经元特性。;神经网络的逼近能力

定义5-1:S型函数?如果函数Ψ(·)：R→［0，1］是非递减函数，且满足

则称函数Ψ(·)为S型函数。

定义5-2:距离函数ρ-给定的函数空间S，设f,g,h∈S。则距离函数ρ满足以下条件：

①.正定性ρ(f,g)≥0，且仅当f=g时等号成立；

②.对称性ρ(f,g)=ρ(g，f)；

③.三角不等式关系ρ(f,g)≤ρ(f,h)+ρ(h,g)。

定义5-3:ρ-稠密-一个度量空间（X，ρ）中的子集S称为是在子集T上的ρ-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，有ρ(s,t)ε。;神经网络的逼近能力

定理5-1:若神经元的激励函数Ψ(·)是S-型连续函数。那么，Σ(Ψ)在C（U）中是ρ-稠密。

这个定理说明，只要是有限空间中的连续函数g(x),总存在具有上述神经元特性Ψ(·)的三层网络Σ(Ψ)，使得其输出函数f(x)能够以任意精度逼近g(x)。

对于非连续函数是否也有类似的神经网络来逼近它呢？如果能够实现这样的逼近，则非连续函数g(x)应该满足什么样的条件？Hornik等人在1989年发表论文中阐明了多层前向传播神经网络可以逼近任意连续函数或分段连续函数