神經(jīng)網(wǎng)絡自適應控制

1、神經(jīng)網(wǎng)絡自適應控制學院：電氣工程與自動化學院專業(yè)： 控制科學與工程 姓名： 蘭利亞 學號： 1430041009 日期： 2015年6月25日 神經(jīng)網(wǎng)絡間接自適應控制摘要：自適應模糊控制系統(tǒng)對參數(shù)變化和環(huán)境變化不敏感,能用于非線性和多變量復雜對象,不僅收斂速度快,魯棒性好,而且可以在運行中不斷修正自己的控制規(guī)則來改善控制性能,因而受到廣泛重視。間接自適應控制是通過在線辨識的到控制對象的模型。神經(jīng)網(wǎng)絡作為自適應控制器，具有逼近任意函數(shù)的能力。關鍵詞：神經(jīng)網(wǎng)絡 間接自適應控制 系統(tǒng)辨識一、 引言自適應控制系統(tǒng)必須完成測量性能函數(shù)、辨識對象的動態(tài)模型、決定控制器如何修改以及如何改變控制器的可調(diào)參數(shù)等

2、功能。自適應控制有兩種形式：一種是直接自適應控制，另一種是間接自適應控制。直接自適應控制是根據(jù)實際系統(tǒng)性能與理想性能之間的偏差，通過一定的方法來直接調(diào)整控制器的參數(shù)。二、 間接自適應系統(tǒng)分析與建模2.1系統(tǒng)的分析系統(tǒng)過程動態(tài)方程：y(k+1)= -0.8y(k)/(1+y2(k)+u(k),參考系統(tǒng)模型由三階差分方程描述：ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k)式中，r(k)是一個有界的參考輸入。如果輸出誤差ec(k)定義為ec(k)=y(k)-ym(k),則控制的目的就是確定一個有界的控制輸入u(k),當k趨于正無窮時，ec(k)=0.那么在k階

3、段，u(k)可以從y(k)和它的過去值中計算得到：u(k)=0.8y(k)/(1+y2(k)+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （1） 于是所造成的誤差方程為：ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2) （2）因為參考模型是漸進穩(wěn)定的，所以對任意的初始條件，它服從當k趨于無窮，ec(k)=0。在任何時刻k，用神經(jīng)元網(wǎng)絡N2計算過程的輸入控制，即u(k)=-Ny(k)+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k) （3）由此產(chǎn)生非線性差分方程：y(k+1)=-0.8y(k)/(1+y2(k)+Ny(k) +0.

4、8y(k)+ 1.2y(k-1)+0.2y(k-2)+r(k) （4） 故設計的要點是設計一個神經(jīng)網(wǎng)絡來逼近0.8y(k)/(1+y2(k)。2.2系統(tǒng)的建模設計過程第一步，用BP神經(jīng)網(wǎng)絡逼近，神經(jīng)網(wǎng)絡的結(jié)構包含三層：輸入層、隱含層和輸出層。BP網(wǎng)絡的訓練過程如下：正向傳播是輸入信號從輸入層經(jīng)隱層傳向輸出層，若輸出層得到了期望的輸出，則學習算法結(jié)束；否則，轉(zhuǎn)至反向傳播。第二步，輸入測試樣本，對神經(jīng)網(wǎng)絡的逼近程度進行測試，將測試后的期望輸出與實際輸出的曲線畫出。第三步，控制器設計。將控制器設計為u(k)= -Ny(k)+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k)。系統(tǒng)的原理

5、框圖如下圖所示。e參考模型控制器過程神經(jīng)網(wǎng)絡Nry系統(tǒng)的原理框圖若將控制器設計成u(k)，則可得到相應曲線。三、 系統(tǒng)的MATLAB編程clear all;close all;x=-10:1:10; %訓練樣本輸入for i=1:21d(i)=0.8*x(i)/(1+x(i)2); %目標函數(shù)，期望輸出endnx1=length(x); %樣本的大小y=zeros(1,nx1); %輸出初始化nx2=8; %隱含層的神經(jīng)元個數(shù)times=20000; %學習次數(shù)w1=0.05*rand(nx2,1); %第一層的連接權值theta1=0.05*rand(nx2,1); %第一層的閾值w2=0.

6、05*rand(1,nx2); %第二層的連接權值theta2=0.05*rand(1); %第二層的閾值ux=0.2; %學習率for n=1:timesEpx=0; %誤差初始化for i=1:nx1s1=w1*x(i)-theta1; %隱含層輸入x1=1./(1+exp(-s1); %隱含層輸出s2=w2*x1-theta2; %輸出層輸入y(i)=s2; %輸出層輸出error=d(i)-y(i);delta1=(error*(w2)').*x1.*(1-x1);delta2=error;w1=w1+ux*delta1*x(i); %第一層權值修正w2=w2+ux*delta

7、2*(x1)' %第二層權值修正theta1=theta1-ux*delta1; %第一層閾值修正theta2=theta2-ux*delta2; %第二層閾值修正Epx=Epx+0.5*error2; %誤差輸出endError(n)=Epx;epoch(n)=n;if Epx<=0.01break;endendn,figure(1);subplot(221);plot(x,d,'b-',x,y,'r-');title('訓練完后的期望輸出與實際輸出'); grid on;subplot(222);plot(epoch,Error

8、);title('訓練誤差輸出');xlabel('epoch');ylabel('誤差E');grid on;xt=0:1:20;n3=length(xt);%dt=sin(xt);for i=1:21 dt(i)=0.8*xt(i)/(1+xt(i)2); %目標函數(shù)，期望輸出endfor k=1:n3s1=w1*xt(k)-theta1;x1=1./(1+exp(-s1);s2=w2*x1-theta2;yt(k)=s2; Et(k)=dt(k)-yt(k);endsubplot(223);plot(xt,dt,'b-',x

9、t,yt,'r:');legend('期望輸出','實際輸出');title('測試時的實際輸出與期望輸出');grid on;subplot(224);plot(xt,Et);title('測試誤差輸出');xlabel('測試樣本'),ylabel('誤差E');grid on;%control%u(k)=0.8*yf(k)+1.2*yf(k-1)+0.2*yf(k-2)+r(k);%final_y(k+1)=-0.8*final_y(k)/(1+final_y(k)2)+u(k

10、);xf=0:1:20;n=length(xf);for i=1:21 d(i)=0.8*xf(i)/(1+xf(i)2); %目標函數(shù)，期望輸出 fc(i)=0.8*xf(i)/(1+xf(i)2); %目標函數(shù)，期望輸出endfor k=1:n3s1=w1*xt(k)-theta1;x1=1./(1+exp(-s1);s2=w2*x1-theta2;yf(k)=s2;endu(1)=0.8*yf(1)+sin(2*pi/25); u(2)=0.8*yf(2)+1.2*yf(1)+sin(4*pi/25); for k=3:21 u(k)=0.8*yf(k)+1.2*yf(k-1)+0.2*

11、yf(k-2)+sin(2*pi*k/25);endfor k=1:21 yt(k)=-fc(k)+u(k); final_y(k)=yt(k); if(k<21) fc(k+1)=0.8*yt(k)/(1+yt(k)2); endendfigure(2);plot(xf,fc,'-',xf,d,'r-');grid on;%n1=length(fc) %n2=length(d) figure(3);plot(xf,u,'b-',xf,final_y,'r:',xf,fc,'r-',xf,(u-final_y),':');grid on;四、 matlab仿真結(jié)果如下：下圖所