神经网络第三章.pptVIP

定理如果对于u(k)，f［y(k)，…，y(k－n)，u(k)，u(k－1)，…，u(k－m)］严格单调，那么系统在点[y(k)，…，y(k－n)，u(k－1)，…，u(k－m)]T处可逆。只有在所有点处可逆都成立，系统才是可逆系统。

定理的证明较为简单，由于系统严格单调，则

f(y，u)≠f(y，u′)

表明系统在该点处单调。

多值非线性系统不一定都是可逆系统。是否可逆就看它是否符合定理的三个条件。例如磁滞回线是否为可逆系统，可作如下分析：第94页，共172页，星期日，2025年，2月5日表面上看，磁滞的一个输入对应两个输出，每个输出可找到相应的两个控制信号，似乎磁滞回线不可逆。但是磁滞控制有一个特征，就是有向性，升磁和消磁经过的路径不同，如果是磁化过程，一个输入仅对应一个输出；反之，退磁过程是一个输入仅对应一个输出。必然能逆向辨识，由此可见磁滞回线是可逆系统，只是正向过程和逆向过程所走的路径不同罢了。

又如系统y=(u－1)u(u+1)就是一个不可逆系统，它不符合定理提出的三个条件，如y=0时，有1，0，－1三个解。第95页，共172页，星期日，2025年，2月5日3.6.2非线性系统的逆模型

非线性系统的逆模型研究包括逆系统建模及逆模型辨识两部分内容。逆系统建模的主要任务是对非线性系统的逆运行过程建立一个数学模型；逆模型辨识是对非线性系统的逆

运行进行辨认识别，看其与哪一种已知模型更接近。

神经网络辨识是逆模型建立和辨识的核心内容。本节所述逆模型的建立方法突出了神经网络的功能与作用。

非线性系统的逆模型建立方法有如下几种：直接逆系统建模、正—逆系统建模及逆—正系统建模。第96页，共172页，星期日，2025年，2月5日1.非线性系统逆模型的直接建立

非线性系统逆模型的直接建立依靠直接逆系统建模法，该方法又称为泛化学习法。泛化学习的本意是网络训练所覆盖的范围要比未知的逆系统所可能涉及的范围大一些，这样

设置有利于获得更佳的逆动力学特性。

逆模型直接建立的结构框图如图4-19所示，系统的给定值为u，输出值为y，神经网络的训练信号取自一个误差值e，e是系统输入u和神经网络输出v之差：e=u－v。第97页，共172页，星期日，2025年，2月5日图3-19逆模型直接建立第98页，共172页，星期日，2025年，2月5日神经网络的输入信号为系统的输出信号y。训练方法是：把未知被控对象的输出y作为神经网络的输入，神经网络的输出v如果不等于系统的输入u，将产生偏差e对网络进行训练，直至v=u为止，或u－v小到一个允许的范围为止。

用于直接逆系统建模的网络较多，有BP网络、CMAC网络、多层感知器等。不同的网络结构有不同的优缺点，如BP网络，优点是训练简单、结构简练，不足之处是不能快

速进行，要想在线实时获取逆动力学模型，就有一定难度。第99页，共172页，星期日，2025年，2月5日2.正—逆系统建模

非线性系统逆模型还可以依靠“正—逆系统建模”的方法获得，这种方法的要点是在非线性系统的正模型(未知对象的动力学模型)基础上，获得逆动力学模型，有三种方案值

得考虑。

(1)被控对象—逆模型建模，建模示意图如图4-20所示。

本方案中的神经网络作逆系统辨识用，它的输入是整个系统的输入给定值u，系统的实际输出是未知被控对象的输出y，神经网络的训练信号e取自二者之差：

e=y－u第100页，共172页，星期日，2025年，2月5日图3-20被控对象—逆模型建模第101页，共172页，星期日，2025年，2月5日这种建模方法存在一个严重的缺憾，那就是要求知道未知对象的模型，恰恰在系统中它又是未知的，解决这个问题的方法是将未知对象改用直接自适应控制器，避免可能出现

的致命差错。

(2)正模型—逆系统建模，建模示意图如图3-21所示。

本方案中的神经网络用于模拟被控对象的正模型(图4-21中的“正模型”)，在前馈通道上的神经网络用于辨识逆模型。神经网络的训练信号是两值之差，一个值u是神经网络的期望输入，另一个值v则是正模型的期望输出，

e=u－v第102页，共172页，星期日，2025年，2月5日图3-21正模型—逆系统建模第103页，共172页，星期日，2025年，2月5日误差e用来训练辨识逆模型的神经网络连接权值。

本方案的突出优点是正模型一旦建立便成为已知条件，未知被控对象的各种运算都能从正模型计算出来。方案的不足之处在于逆模型的精确程度依赖于正模型的精确程度，如

果正模型本身精度低、误差大，相应逆模型也不能正常反映被控对象的实际情况。