神经网络在控制中的应用课件.pptxVIP

神經網路在控制中的應用

神經網路在控制中的應用神經網路辨識技術神經網路控制技術

5.1神經網路辨識系統辨識是自適應控制的關鍵所在，它通過測量對象的輸入輸出狀態來估計對象的數學模型，使建立的數學模型和對象具有相同的輸入輸出特性。神經網路對非線性函數具有任意逼近和自學習能力，為系統的辨識，尤其是非線性動態系統的辨識提供了一條十分有效的途徑。神經網路系統辨識實質上是選擇一個適當的神經網路模型來逼近實際系統的數學模型。

5.1神經網路辨識5.1.1神經網路系統辨識的原理系統辨識的原理就是通過調整辨識模型的結構來使e最小。在神經網路系統辨識中，神經網路用作辨識模型，將對象的輸入輸出狀態u，y看作神經網路的訓練樣本數據，以J=1/2e2作為網路訓練的目標，則通過用一定的訓練演算法來訓練網路，使J足夠小，就可以達到辨識對象模型的目的。

5.1神經網路辨識5.1.2多層前向BP網路的系統辨識假設非線性對象的數學模型可以表示為：其中f是描述系統特徵的未知非線性函數，m，n分別為輸入輸出的階次。則可以利用多層前向BP網路來逼近非線性函數，進而估計對象的模型。

5.1神經網路辨識多層前向BP網路系統辨識原理圖

5.1神經網路辨識網路的輸出可以通過下式計算得到：H（*）表示隱層神經元的激發函數Wij(1),Wj(2)分別表示網路第1-2層和2-3層的連接權值

5.1神經網路辨識定義網路訓練的目標函數為：則網路訓練的BP演算法可以描述為：

5.1神經網路辨識5.1.3.遞歸神經網路系統辨識遞歸神經網路結構

5.1神經網路辨識遞歸神經網路的輸入輸出關係可以描述為：H（*）表示隱層神經元的激發函數Wij(1),Wjk(2)分別表示網路第1-2層和2-3層的連接權值Wi(0)表示網路第一層的遞歸權值

5.1神經網路辨識由於遞歸神經網路本身具有動態回饋環，可以記錄以前的狀態，因此用遞歸神經網路來對非線性對象進行辨識時只需以對象當前的輸入狀態u(t)和前一時刻的輸出狀態y(t-1)作為網路的輸入即可，與前向多層神經網路相比，網路的結構較為簡單。

5.2神經網路控制神經網路在控制中主要起以下作用：(1)基於精確模型的各種控制結構中充當對象的模型；(2)在回饋控制系統中直接充當控制器的作用；(3)在傳統控制系統中起優化計算作用；(4)在與其它智能控制方法和優化演算法相融合中,為其提供對象模型、優化參數、推理模型及故障診斷等。

5.2神經網路控制5.2.1神經網路直接回饋控制系統神經網路直接用作誤差閉環系統的回饋控制器，神經網路控制器首先利用其他已有的控制樣本進行離線訓練，而後以系統的誤差的均方差為評價函數進行線上學習。

5.2神經網路控制5.2.2神經網路逆控制自適應逆控制的基本思想就是用被控對象傳遞函數的逆模型作為串聯控制器對控制對象實施開環控制。神經網路先離線學習被控對象的逆動力學模型，然後用作對象的前饋串聯控制器。由於開環控制缺乏穩定性，所以神經網路還需要根據系統的回饋誤差線上繼續學習逆動力學模型

5.2神經網路控制5.2.3神經網路內模控制將對象模型與實際對象相並聯，控制器逼近模型的動態逆。一般有兩種方法：1)兩個神經網路分別逼近模型和模型的逆；2)採用神經網路逼近模型，然後用非線性優化方法數值計算內模控制量。

5.2神經網路控制5.2.4神經網路自適應控制（1）神經網路模型參考直接自適應控制模型參考自適應控制的目的是：系統在相同輸入激勵r的作用下，使被控對象的輸出y與參考模型的輸出ym達到一致。這樣通過調整參考模型，可以調整系統的動態特性。神經網路控制器（NNC）先離線學習被控對象的逆動力學模型，與被控對象構成開環串聯控制，而後神經網路根據參考模型輸出與被控對象輸出的誤差函數進行線上訓練，使誤差函數最小。

5.2神經網路控制（2）神經網路模型參考間接自適應控制在直接自適應控制的基礎上，引入了一個神經網路辨識器（NNI）來對被控對象的數學模型進行線上辨識，這樣可以及時地將對象模型的變化傳遞給NNC，使NNC可以得到及時有效的訓練。

例：二關節機器人神經網路自適應控制1）控制問題機器人動態控制問題就是要使機器人的各關節或末端執行器位置能夠以理想的動態品質跟蹤給定的軌跡或穩定在指定的位置上。

二關節機器人控制結構

2）機器人數學模型座標變換：機器人末端在空間的位置座標可以變換為其關節角度的大小

動力學方程：

機器人動力學模型的特點動力學方程包含的項數多，複雜。隨著機器人關節數的增加，方程中包含的項數呈幾何級數增加，可達數百項；高度非線性。方程的每一項都含有cos，sin等非線性因素高度耦合。每個關節的運動都會引起其他關節的運動模