智能控制神经网络控制答案.pptVIP

神经网络控制;神经网络控制的优越性

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。

神经网络是本质非线性系统，可实现任意非线性映射。

神经网络具有很强的信息综合能力，能同步处理大量不一样类型的输入，并能很好处理输入信息之间的互补性和冗余性问题。

神经网络的硬件实现愈趋以便。;神经网络控制的研究领域;3.5.3神经网络控制的研究重点;神经网络控制系统的构造类型;(1)神经网络监督控制

神经网络控制器是前馈控制器，建立被控对象的逆模型；

神经网络控制器基于老式控制器的输出，在线学习调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用；

一旦系统出现干扰，反馈控制器重新起作用。

可保证控制系统的稳定性和鲁棒性，有效提高系统的精度和自适应能力。;?;(2)神经网络直接逆控制

将对象的神经网络逆模型直接与被控对象串联起来，使期望输出与对象实际输出之间的传递函数为1。

缺陷：无反馈，用作控制器的神经网络逆模型不精确时，抗干扰能力差，缺乏鲁棒性。

两种改善构造方案：;?;?;?;?;?;神经网络间接模型参照自适应控制

神经网络辨识器向神经网络控制器提供对象的Jacobian信息。;(4)神经网络内模控制

正向模型作为被控对象的近似模型，与实际对象并联；

控制器与对象的逆有关，可以是对象的逆；

滤波器一般为线性的，可提高系统的鲁棒性。

蓝色实线为基本原理图，加上绿色虚线后可构成内模控制的一种详细实现。;非线性系统的神经网络辨识;神经网络辨识

用神经网络作为被辨识对象的正模型、逆模型、预测模型等，也称为神经网络建模。

阐明：

本质上，神经网络辨识的目的是建立所考察对象的模型，因此最简朴的状况下，辨识只需运用对象自身的输入输出数据即可。

神经网络建模自身不波及诸如某一详细控制任务之类的其他目的，因此与作为神经网络控制系统的构造框图相比，辨识的原理构造图要简朴得多，只要能完毕建模的任???即可；一般地，辨识构造图只波及对象系统自身和所用的神经网络两大主体。;建模的两种基本状况

前向建模：建立系统自身的模型，也称正向建模；

逆向建模：建立系统的逆模型。

正向建模

指运用神经网络迫近对象自身的动力学特性。

简化构造图：

网络与系统并联；

输出之差用作训练信号；

对网络而言，系统的实

际输出构成了期望的导

师信号，故为有导师学

习；可用多层前馈神经

网络实现；可进行离线辨识，也可进行在线辨识。;逆向建模

一般而言，建立逆模型对神经网络控制意义重大。

直接逆建模简化构造图：

可用于离线辨识，也可

用于在线辨识。

缺陷：不是目的导向的，系统输入也不也许预先定义。

实际常采用正-逆建模构造。;?;离线辨识与在线辨识

在线辨识是在对象系统实际运行的过程中进行的，辨识过程规定实时性，即必须在一种采样周期的时间间隔内至少进行一次网络权值的调整；离线辨识则是在获得对象系统的一批输入输出数据后再进行辨识，故辨识过程与实际系统是分离的，无实时性规定。

离线辨识在系统工作前预先完毕网络的学习或训练，但输入输出训练集很难覆盖对象所有也许的工作范围、且难以适应系统在工作过程中的参数变化，故最佳的辨识方式是：先进行离线训练、再进行在线学习，将离线训练得到的权值作为在线学习的初始权，以加紧在线学习的速度。(由于网络具有学习能力，故当被辨识对象的特性变化时，神经网络也能通过不停地调整权值和阈值自适应地跟踪对象系统的变化。)

对于神经网络控制系统，其中的辨识是以系统在闭环控制下所得到的观测数据进行的，因此一般属在线辨识。对于时变系统，则只能使用在线辨识。;神经网络建模的考虑原因

模型的选择

精确性和复杂性的权衡；对神经网络辨识而言，权衡体现为网络隐含层数的选择和隐含层内节点的选择。

权衡的有效途径：进行多次仿真试验。

输入信号的选择

时域上，规定输入信号持续加在系统对象上，以便在辨识时间内充足鼓励系统的所有模态、反应系统对象的完整动态过程。(这里的输入信号是加在系统上的信号，也将构成神经网络的输入或输出信号)

频域上，规定输入信号的频谱覆盖系统的频谱。

等价准则的选择

等价意味着按照某种误差评价准则，使确定的神经网络模型最佳地拟合所关怀的被辨识系统的静态或动态特性。;?;?;用什么类型的神经网络建模？

对于静态系统，其输入输出间只是某种非线性映射关系，因此可以直接运用前向神经网络进行建模。

对于动态系统，可运用动态神经网络建模，也可运用静态前向神经网络进行建模。一般而言，后者更便于分析，但需要将动态系统的神经网络建模转化为静态系统的神经网络的建模。;神经网络辨识的特点(与老式辨识措施相比)

神经网络自身作为一种辨识模型，其可调参数反应在网络内部的