神经网络在控制中的应用.pptVIP

神经网络在控制中的应用第1页，共21页。从控制角度来看，神经网络用于控制的优越性主要表现为：（1）神经网络可以处理那些难以用模型或规则描述的对象；（2）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；（3）神经网络在本质上是非线性系统，可以实现任意非线性映射。神经网络在非线性控制系统中具有很大的发展前途；*第2页，共21页。（4）神经网络具有很强的信息综合能力，它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和冗余性问题；（5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段，为神经网络在控制中的应用开辟了广阔的前景。*第3页，共21页。神经网络控制所取得的进展为：(1)?基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，建立线性、非线性系统的静态、动态、逆动态及预测模型；(2)?神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性；(3)??神经网络与其他算法相结合：神经网络与专家系统、模糊逻辑、遗传算法等相结合可构成新型控制器；*第4页，共21页。(4)?优化计算：在常规控制系统的设计中，常遇到求解约束优化问题，神经网络为这类问题提供了有效的途径；(5)?控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。*第5页，共21页。神经网络控制在理论和实践上，以下问题是研究的重点：(1)?神经网络的稳定性与收敛性问题；(2)?神经网络控制系统的稳定性与收敛性问题；(3)?神经网络学习算法的实时性；(4)?神经网络控制器和辨识器的模型和结构；*第6页，共21页。神经网络在控制中的应用神经网络辨识技术神经网络控制技术*第7页，共21页。神经网络辨识基础所谓系统辨识，就是根据系统的输入和输出数据，在指定的一类系统中选择一个系统，这个系统和所研究的实际系统等价。5.1神经网络辨识由于实际上不可能找到一个与实际系统完全等价的模型。因此，从实用角度看，辨识就是从一组模型中选择一个模型，按照某种准则，使之能最好的拟合所关心的实际系统动态或静态特性。*第8页，共21页。5.1神经网络辨识神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。神经网络系统辨识实质上是从神经网络模型中选择一个适当的模型来逼近实际系统的数学模型。神经网络系统通过直接学习输入输出数据，使所要求的误差函数达到最小，来归纳出隐含在系统的输入输出数据中的关系。*第9页，共21页。5.1神经网络辨识逼近理论是一种经典的数学方法。多项式函数和其它逼近方法都可以逼近任意的非线性函数。但由于其学习能力和并行处理能力不及神经网络，从而使得神经网络的逼近理论研究得到迅速发展。*第10页，共21页。5.1神经网络辨识神经网络系统辨识的原理在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u、y看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。系统辨识的原理系统辨识的原理：给对象和辨识模型施加相同的输入，得到对象的输出y和模型的输出，通过调整辨识模型的结构来使对象的输出y和模型的输出之间的误差最小。*第11页，共21页。5.1神经网络辨识与传统基于算法的系统辨识方法一样，神经网络辨识同样也需首先考虑以下三大因素。模型的选择模型只是在某种意义下实际系统的一种近似描述，它的确定要兼顾其精确性和复杂性。因为如要求模型越精确，模型就会变的越复杂，相反如果适当降低模型精度要求，只考虑主要因素而忽略次要因素，模型就可以简单些。所以在建立实际系统模型时，存在着精确性和复杂性这一对矛盾。在神经网络辨识这一问题上主要表现为网络隐含层数的选择和隐含层内节点数的选择。由于神经网络隐含节点的最佳选择目前还缺乏理论上的指导，因此实现这一折中方案的唯一途径是通过多次仿真实验来达到。*第12页，共21页。5.1神经网络辨识输入信号的选择为了能够精确有效的对未知系统进行辨识，输入信号必须满足一定的条件。从时域上来看，要求系统的动态过程在辨识时间内必须被输入信号持续激励，即输入信号必须充分激励系统的所有模态；从频域来看，要求输入信号的频谱必须足以覆盖系