4-5神经网络控制.pptVIP

第4章神经网络控制4.5神经网络控制器及其应用实例4.5.1神经控制的基本原理神经网络具有很强的逼近非线性函数的能力，即非线性映射能力。把神经网络用于控制正是利用它的这个独特优点。控制系统的目的在于通过确定适当的控制输入，使得系统获得期望的输出特性。图4-14(a)为一般反馈控制系统的原理图，图4-14(b)采用神经网络替代图4-14(a)中的控制器。4.5神经网络控制器及其应用实例设被控制对象的输入和系统输出y之间满足如下非线性函数关系，即控制的目的是确定最佳的控制量输入u，使系统的实际输出y等于期望的输出yd。在该系统中，可把神经网络的功能看做输入输出的某种映射，或称函数变换，并设它的函数关系为为了满足系统输出y等于期望的输出yd，可得显然，当时，满足要求。4.5神经网络控制器及其应用实例由于要采用神经网络控制的被控对象一般是复杂的且多具有不确定性，因此非线性函数是难以建立的，可以利用神经网络具有逼近非线性函数的能力来模拟，尽管的形式未知，但通过系统的实际输出y与期望输出yd之间的误差来调整神经网络中的连接权值，即让神经网络学习，直至误差的过程，就是神经网络模拟的过程，它实际上是对被控对象的一种求逆过程。由神经网络的学习算法实现这一求逆过程，就是神经网络实现直接控制的基本思想。4.5神经网络控制器及其应用实例4.5.2神经网络在控制中的主要作用(1)在基于精确模型的各种控制结构中充当对象的模型；(2)在反馈控制系统中直接起控制器的作用；(3)在传统控制系统中起优化计算作用；(4)在与其他智能控制方法和优化算法。4.5神经网络控制器及其应用实例神经网络控制主要是为了解决复杂的非线性、不确定、不确知系统在不确定、不确知环境中的控制问题，使控制系统稳定性好、鲁棒性强，具有满意的动静态特性。为了解决这类问题，可以在系统中设置两个神经网络，如图4-15所示。4.5神经网络控制器及其应用实例4.5.3神经网络控制的结构神经网络学习控制的结构形式可以分为间接学习、一般学习、特殊学习及一般和特殊相结合的学习结构。间接学习神经控制(1)双网络结构4.5神经网络控制器及其应用实例神经网络间接学习控制的结构如图4-16所示。它包含两个结构相同的神经网络NN1和NN2，NN1是“前馈控制器”，NN2是“反馈控制器”。两个网络输出信号之差是间接的或训练的，利用这个误差来调整网络的连接权重，使这个误差最终趋于0。(2)单网络间接学习控制如果设计一个选择装置产生作用于NN1的误差信号，则NN2就可以省略。基于这样的思想设计的单网络间接学习控制的结构如图4-17所示。4.5神经网络控制器及其应用实例图4-17的单网络结构同图4-16的双网络结构相比，NN2被一些转换器和一个记忆元件所取代，于是单网络结构可减少一半神经元和相应连接权值，因而可显著地提高效率。单网络间接学习控制算法可概括如下：(a)参数适当初始化；(b)闭合转换器SW2和SW3，断开转换器SW1和SW4，将，和，送入NN，产生，然后送给对象产生输入；(c)记录；(d)闭合转换器SW1和SW4，断开转换器SW2和SW3，将的延滞值向量、的延滞值向量些和送入NN，产生；(e)根据误差信号，应用疗规则或反向传播算法等，调整NN的权值；(f)将K置为k+1，转到第(b)步。4.5神经网络控制器及其应用实例必须指出，神经网络中神经元和相应权值的数目在近似复杂对象的逆动态中是需要增加的。因而，在单网络结构中，神经元和连接权的数目方面的节省与对象的复杂性直接成正比例。一般学习神经控制的结构一般学习神经控制的结构如图4-18所示。4.5神经网络控制器及其应用实例特殊学习神经控制的结构图4-19给出了一种特殊学习的神经控制的结构。这种方法要求期望的输出响应yd作为网络的输入，网络经学习以找出对象输入u，在u的驱动下系统输