人工神經(jīng)網(wǎng)絡(luò)控制器設(shè)計

1、神經(jīng)網(wǎng)絡(luò)控制器設(shè)計引言監(jiān)督學習NN捽制器NNMRAC (Model-Reference Adaptive Control)神經(jīng)網(wǎng)絡(luò)門校正捽制(NNSTC)NNK接口適應(yīng)捽制NN-PID控制2013-7-112OO9NNC引言口 NN/E控制器設(shè)計!的兒條路口存在的幾個問題口本章簡介NN控制器幾條路.與已有控制結(jié)構(gòu)的結(jié)合，如：NN自適應(yīng)控制 （NN MRAC、NN STR：直接、間接）、NN-PID、NN-IMC （PC）.與已有控制方法的結(jié)合，如：NN-Fuzzy控制、 NN-expert 控制. NN特有的控制器設(shè)計方法，如：監(jiān)督學習控制 （SNC）、評價學習控制器（ACE）、無模型 的控制

2、器設(shè)計方法（單個元的或網(wǎng)絡(luò)的，即按誤 差調(diào)整的）2013-7-112OO9NNC3存在的幾個問題.缺乏一種專門適用于控制的動態(tài)神經(jīng)網(wǎng)絡(luò)（目 前方法：靜態(tài)網(wǎng)絡(luò)處理動態(tài)問題，不可避免的 帶來差分方程定階問題）.穩(wěn)定性、魯棒型分析困難本章簡介-1） 學習控制（I席督）NN 自適應(yīng)（MRAC和STR）NN-PIDNN-無模型控制（單個神經(jīng)元）2013-7-112OO9NNC5監(jiān)督學習NN控制器口問題的提出 SNC設(shè)計：控制系統(tǒng)結(jié)構(gòu)思路實例問題的提出當對象動力學特性未知時系統(tǒng)可控, 人的知識如何傳遞給控制裝置？解決思路：1）利用專家控制、規(guī)則控制2）采用監(jiān)督（導師）NN控制（SNC）2013-7-112

3、009NNC控制系統(tǒng)結(jié)構(gòu)思路口學清人在控制過程中利用了過程或人本身的何種信口梏J造NNC考慮問題：何種網(wǎng)絡(luò)、結(jié)構(gòu)（層數(shù)）參數(shù)、訓練方 法（實時性、收斂性）口 SNC的訓練過程在人進行控制時，將控制信號及過程收集起來以此 為數(shù)據(jù)，訓練可以是離線的也可以是在線的，即人 一邊控制NNC一邊學習。訓練結(jié)束后，網(wǎng)絡(luò)實現(xiàn) 了以參考信號及以往控制軸上y為網(wǎng)絡(luò)輸入，當前 控制u為網(wǎng)絡(luò)輸出的I/O映射，即可實現(xiàn)正確控制。2013-7-112OO9NNC9小車倒立擺系統(tǒng)的控制1.示意圖7數(shù)學 model：w rnL(p sin cp 3 / Sg sin( 2cp) fxr + u M + m(l 3/4cos2

4、 cp)3.(g sin cp x” cos 0)4乙為小車位置、速度、桿角度、角速度 r , fV3. NN捽制器Z = X, 刈,（/）r小車一倒立擺示意圖2013-7-112OO9NNC1Vl 11NN控制器為四層BP網(wǎng)4-16-4.1結(jié)構(gòu)，S型作用函數(shù)訓練用數(shù)據(jù)：I, rZ 輸出輸出值一 K,K控制區(qū)間仿真時用：導師為線性或非線性的控制律取M = lkg, m = 0.1kg,f=5.1kg/s, g=9.81m/s2空制結(jié)果1）線性控制為狀態(tài)反饋：u = KX = kX + kx + 左 30 + k。 訓練20000次后NN可實現(xiàn)線性律K=11.01, 19.68, 96.49,

5、35.572）非線性：80000次反饋線性化及解耦變換3）人控制：40000次 訓練結(jié)束后，HSNC比人本身操作更好訓練后，SNC還可繼續(xù)在線學習以 適應(yīng)新的擾動、取得新的控制策略樣本、 增強對系統(tǒng)的全面了解。2013-7-112OO9NNCRB F網(wǎng)絡(luò)監(jiān)督控帶IJ實彳列基于RBF網(wǎng)絡(luò)的監(jiān)督控制系統(tǒng)結(jié)構(gòu)如圖5-14圖 5-14神經(jīng)網(wǎng)絡(luò)監(jiān)督控制在RBF網(wǎng)絡(luò)結(jié)構(gòu)中，取網(wǎng)絡(luò)的輸入為r(k), 網(wǎng)絡(luò)的徑向基向量為H = %.,電為高斯 基函數(shù)：h. = exp（Y）-C/其中電 節(jié)點j的基寬度參數(shù)， 0, B =瓦也了 I為網(wǎng)絡(luò)第個結(jié)點的中心矢量,4=屈,2013-7-112009NNC15網(wǎng)絡(luò)的權(quán)向

6、量為:RBF網(wǎng)絡(luò)的輸出為:=+h嚴j十兒尸,其中相為RBF網(wǎng)絡(luò)隱層神經(jīng)元的個數(shù)?？刂坡蔀?（左）=（攵）設(shè)神經(jīng)網(wǎng)絡(luò)調(diào)整的性能指標為:M左）二；（左）一（攵）2采用梯度下降法調(diào)整網(wǎng)絡(luò)的權(quán)值:近似地取，=包哄 dwj k ） dwjk）由此所產(chǎn)生的不精確通過權(quán)值調(diào)節(jié)來補償。2013-7-112009NNC17則-卬,=一 3石(| = 一( _ )乙八/ NN控制器 dw；(k)八一 dwjg=r/(un (左)u(k)h j 仕)神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)整過程為：W（A）= W（Zc -1）+ AW（）+ q（W（A -1）- W（A - 2）其中n為學習速率，。為動量因子。9. 4.2仿真實例被控對象

7、為:1000s3 + 87.35sI. M RAC的思路II. NN MRAC 1 2)控制框圖 Ml4)例2 + 10470 sRBF網(wǎng)絡(luò)監(jiān)督控制程序為chap9_2.2013-7-112009NNC19NN-MRACMRAC的思路般控制系統(tǒng)可包含前饋和反饋控制器兩種 （前饋：由期望輸出產(chǎn)生控制信號，反饋：由 期望與實際之差產(chǎn)生控制信號）MRAC思路是給定期望響應(yīng)的動態(tài)模型, 利用期望與實際輸出之差去改變調(diào)節(jié)器參數(shù)， 使對象+控制器形成的閉環(huán)系統(tǒng)對給定信號的 響應(yīng)與參考模型一致。當給定模型穩(wěn)定時，閉 環(huán)系統(tǒng)穩(wěn)定并改善了動態(tài)響應(yīng)。調(diào)節(jié)機構(gòu)設(shè)計：可禾用Lyapunov或Popov方 法以保證閉環(huán)

8、的穩(wěn)定口2013-7-112009NNC21一般控制系統(tǒng)框圖22NN控制器口辨識+在線控制器設(shè)計（泛化學習），間接控 制口誤差直接改變控制器參數(shù)（特定學習），直接 控制泛化學習+自適應(yīng) NN MRAC 2013-7-112OO9NNC23MRAC控制系統(tǒng)做法：+ 1) = yp(k + 1) -+ 1)準則：，k=0NNC-使Jim卜卜 二仁(/ +日j小數(shù)準則：J4=() 辨識周期工控制周期按常規(guī)白適應(yīng)方法選取乙年 例1口系統(tǒng) yQ+1）=/伙）,y（k 一叨+4欣）NNI:BP網(wǎng) 2-20-10-1 結(jié)構(gòu)8()= 1=，(，)，(一1)“(4)+ 2 巨NNC： 1 +，2(左)+ y(k

9、 i)+ 1) = 0.6、(4)+ 0.2”(41)+ 廠(4) 此時 W( + 1)=1) + “(大)滿敞)=-吊), y(k -1)+0.6y(A)+0.2y(A -1)+心)e(k +1) = 0.6/ Q)+0.2ec(k 1)lim e (Q = O 口大 f OO c、/.2013-7-112009NNC27例2示意圖系統(tǒng)模型-10 sin(|)-2黑 + 參考模型NN MRAC 圖2013-7-112009NNC29NN控帝/匡圖kj kyNeural Network ControllerNeural Netv/orfc Plan! Model2013-7-112009NNC

10、30Input2013-7-11Plant OutputO 50 1OO2009NNCMRAC test dataInputMW惴Riant Output31O 2040602013-7-112009NNC33控帝吆吉果X.V圖X Axis控制結(jié)果2009NNC16豈#女2013-7-11359.6基于RBF網(wǎng)絡(luò)直接模型參考自適應(yīng)控制控制系統(tǒng)的結(jié)構(gòu)如圖923所示。設(shè)參考模型輸出為僅），控制系統(tǒng)要求對象的輸出出）能夠跟蹤參考模型的輸出yM o則跟蹤誤差為：y（k）-y（k）yM圖923基于RBF網(wǎng)絡(luò)的直接模型參考自適應(yīng)控制2013-7-112009NNC37指標函數(shù)為:石= 1(k)2控制器為R

11、BF網(wǎng)絡(luò)的輸出:(左)=%嗎+ 也嗎+ hmwm其中m為RBF網(wǎng)絡(luò)隱層神經(jīng)元的個數(shù),w：為第j個網(wǎng)絡(luò)隱層神經(jīng)元與輸出層之間的連接權(quán)H為第個j隱層神經(jīng)元的輸出。在RBF網(wǎng)絡(luò)結(jié)構(gòu)中，X=k，/丫為網(wǎng)絡(luò)的輸入向量。RBF網(wǎng)絡(luò)的徑向基向量為h=用, ，4了%為高斯基函數(shù):/=exp(xc：J2-)其中六1,.m,.為節(jié)點）的基寬度參數(shù),bj0,Cj為網(wǎng)絡(luò)第/結(jié)點的中心矢量,B = W，也了 Cy =c71,-,c,.,-,c7.J2013-7-112009NNC39網(wǎng)絡(luò)的權(quán)向量為：w = h，按梯度下降法及鏈式法則，可得權(quán)值的學習算法如下:八京v %碌)，w (k) = vv. (k-l) + Aw

12、(k) + a/w(A)JJJJ其中n為學習速率，a為動量因子。同理，可得RBF網(wǎng)絡(luò)隱層神經(jīng)元的高斯函數(shù) 的中心參數(shù)及基寬的學習算法如下:軌.(加誓=那。需警=*。篝*中Ab,duyk) dbduk) hj/?y(k)=/?7(k-1)+a(bj(k- 1 )-/? (k-2)M酢-W =霜翁平小)霜嗎也七一 %bs2c/kNcMk-D+gcKO+aC/k-D-c/k-Z)2013-7-112009NNC41在學習算法中，翳稱為Jacobian 信息,表示系統(tǒng)的輸出對控制輸入的敏感性，其值可由神 經(jīng)網(wǎng)絡(luò)辨識而得。在神經(jīng)網(wǎng)絡(luò)算法中，對需值的精確度要求不是很高，不精確部分可 通過網(wǎng)絡(luò)參數(shù)及權(quán)值的調(diào)

13、整來修正，關(guān)鍵是其符號，因此可用 需 的正負號來代替，這樣 du(k)可使算法更加簡單。9.6.2仿真實例被控對象為一非線性模型:y(k) = (-0.10k -1) + u(k -1)/(1 + y(k -1)2)0.6%, (k-) + r(k)取采樣周期為=lzs，參考模型為ym (k),其中r(k)為正弦信號,廠(女)= 0.50sin(2成x/s)RBF網(wǎng)絡(luò)直接模型參考自適應(yīng)控制程序為 chap9_4.m2013-7-112OO9NNC43神經(jīng)網(wǎng)絡(luò)自校正控制口 STR范木思想口對象描述 ,階系統(tǒng)的 個實例基本思想口如果系統(tǒng)環(huán)境和模型的參數(shù)已知，則可采用適當 方法獲得某種意義下的最優(yōu)控

14、制器；若系統(tǒng)參數(shù) 未知，則可用在線參數(shù)估計值來代替真實值(確 定性等效原則)設(shè)計控制器，實現(xiàn)在線監(jiān)控。2013-7-112009NNC45對象描述SISO可反饋線性化的系統(tǒng)y(k + 1)= fy(k.，u(k -1),.,(k 一) + (% -)(攵 一 1),(攵一)卜(攵)設(shè) g(,)逆存在、g()已知8() 8()在/()、?()未知時，用n，G)、逼近/()、?W實例例出+1）=/途）+?。?。卜弓入NN ,卜仕）,/（左）八式左） 小（。雇f g陜）NN的一步預(yù)報模型為：9化+1） = /&（）,/ （左）+ gy（A），（左）必）?。篗 + l）=y （k + 1）則控制器為：人2013-7-112009NNC47人今九g系統(tǒng)調(diào)整準則1 = #(k+1)e(k +1)= yd(k