智能控制第5篇-神經網絡在控制中應用課件

第5章神經網絡在控制中的應用第5章神經網絡在控制中的應用神經網絡在控制中的應用神經網絡辨識技術神經網絡控制技術神經網絡在控制中的應用5.1神經網絡系統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(tài)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。

神經網絡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(tài)系統的辨識提供了一條十分有效的途徑。

神經網絡系統辨識實質上是選擇一個適當的神經網絡模型來逼近實際系統的數學模型。5.1神經網絡系統辨識系統辨識是自適應控制的關鍵所在，它通5.1神經網絡系統辨識5.1.1神經網絡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。在神經網絡系統辨識中，神經網絡用作辨識模型，將對象的輸入輸出狀態(tài)u，y看作神經網絡的訓練樣本數據，以J=e2/2作為網絡訓練的目標，則通過用一定的訓練算法來訓練網絡，使J足夠小，就可以達到辨識對象模型的目的。5.1神經網絡系統辨識5.1.1神經網絡系統辨識的原理5.1神經網絡系統辨識5.1.2多層前向BP網絡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(﹒)是描述系統特征的未知非線性函數，m，n分別為輸入輸出的階次。則可以利用多層前向BP網絡來逼近非線性函數，進而估計對象的模型。5.1神經網絡系統辨識5.1.2多層前向BP網絡的系統辨識5.1神經網絡系統辨識多層前向BP網絡系統辨識原理圖5.1神經網絡系統辨識多層前向BP網絡系統辨識原理圖5.1神經網絡系統辨識網絡的輸出可以通過下式計算得到：H(*)表示隱層神經元的激發(fā)函數Wij(1),Wj(2)分別表示網絡第1-2層和2-3層的連接權值5.1神經網絡系統辨識網絡的輸出可以通過下式計算得到：H5.1神經網絡系統辨識定義網絡訓練的目標函數為：則網絡訓練的BP算法可以描述為：5.1神經網絡系統辨識定義網絡訓練的目標函數為：則網絡訓5.1神經網絡系統辨識5.1.3遞歸神經網絡系統辨識遞歸神經網絡結構5.1神經網絡系統辨識5.1.3遞歸神經網絡系統辨識遞5.1神經網絡系統辨識遞歸神經網絡的輸入輸出關系可以描述為：H(*)表示隱層神經元的激發(fā)函數Wij(1),Wjk(2)分別表示網絡第1-2層和2-3層的連接權值Wi(0)表示網絡第一層的遞歸權值5.1神經網絡系統辨識遞歸神經網絡的輸入輸出關系可以描述為5.1神經網絡系統辨識由于遞歸神經網絡本身具有動態(tài)反饋環(huán)，可以記錄以前的狀態(tài)，因此用遞歸神經網絡來對非線性對象進行辨識時只需以對象當前的輸入狀態(tài)u(t)和前一時刻的輸出狀態(tài)y(t-1)作為網絡的輸入即可，與前向多層神經網絡相比，網絡的結構較為簡單。5.1神經網絡系統辨識由于遞歸神經網絡本身具有動態(tài)反饋環(huán)，5.1神經網絡系統辨識5.1神經網絡系統辨識5.2神經網絡控制神經網絡在控制中主要起以下作用：(1)在基于精確模型的各種控制結構中充當對象的模型；(2)在反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(yōu)化計算作用；(4)在與其它智能控制方法和優(yōu)化算法相融合中,為其提供對象模型、優(yōu)化參數、推理模型及故障診斷等。5.2神經網絡控制神經網絡在控制中主要起以下作用：(1)5.2神經網絡控制5.2.1神經網絡直接反饋控制系統神經網絡直接用作誤差閉環(huán)系統的反饋控制器，神經網絡控制器首先利用其它已有的控制樣本進行離線訓練，而后以系統的誤差的均方差為評價函數進行在線學習。5.2神經網絡控制5.2.1神經網絡直接反饋控制系統神經5.2神經網絡控制5.2.2神經網絡逆控制(neuralnetworkinversecontrol)

5.2神經網絡控制5.2.2神經網絡逆控制(neural5.2神經網絡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(huán)控制。神經網絡先離線學習被控對象的逆動力學模型，然后用作對象的前饋串聯控制器。由于開環(huán)控制缺乏穩(wěn)定性，所以神經網絡還需要根據系統的反饋誤差在線繼續(xù)學習逆動力學模型。5.2神經網絡控制自適應逆控制的基本思想就是用被控對象傳遞5.2神經網絡控制5.2.3神經網絡內?？刂?neuralnetworkinnermodecontrol)1)當模型精確時，對象和控制器同時穩(wěn)定就意味閉環(huán)系統穩(wěn)定；2)當閉環(huán)系統穩(wěn)定時，若控制器取為模型逆，則不論有無外界干擾d，均可實現理想控制y=r；3)當閉環(huán)系統穩(wěn)定時，只要控制器和模型的穩(wěn)態(tài)增益乘積為1，則系統對于階躍輸入及階躍干擾均不存在輸出靜差。5.2神經網絡控制5.2.3神經網絡內?？刂?neura5.2神經網絡控制將對象模型與實際對象相并聯，控制器逼近模型的動態(tài)逆。一般有兩種方法：1)兩個神經網絡分別逼近模型和模型的逆；2)采用神經網絡逼近模型，然后用非線性優(yōu)化方法數值計算內?？刂屏俊?.2神經網絡控制將對象模型與實際對象相并聯，控制器逼近模5.2神經網絡控制5.2.4神經網絡自適應控制(neuralnetworkadaptivecontrol)

(1)神經網絡模型參考自適應控制(neuralnetworkmodelreferenceadaptivecontrol)

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(tài)特性。5.2神經網絡控制5.2.4神經網絡自適應控制(neur5.2神經網絡控制神經網絡控制器(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(huán)串聯控制，然后神經網絡根據參考模型輸出與被控對象輸出的誤差函數進行在線訓練，使誤差函數最小。神經網絡模型參考直接自適應控制5.2神經網絡控制神經網絡控制器(NNC)先離線學習被控對5.2神經網絡控制神經網絡模型參考間接自適應控制在直接自適應控制的基礎上，引入了一個神經網絡辨識器（NNI）來對被控對象的數學模型進行在線辨識，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。5.2神經網絡控制神經網絡模型參考間接自適應控制在直接自5.2神經網絡控制(2)神經網絡自校正控制(neuralnetworkself-turningcontrol)自校正調節(jié)器的目的是在控制系統參數變化的情況下，自動調整控制器參數，消除擾動的影響，以保證系統的性能指標。在這種控制方式中，神經網絡(NN)用作過程參數或某些非線性函數的在線估計器。5.2神經網絡控制(2)神經網絡自校正控制(neural5.2神經網絡控制假設被控對象的模型為 yk+1＝f(yk)+g(yk)·uk

則用神經網絡對非線性函數f(yk)和g(yk)進行辨識，假設其在線計算估計值fd(yk)和gd(yk)，則調節(jié)器的自適應控制律為 uk=(yd

-fd(yk)/gd(yk)此時系統的傳遞函數為15.2神經網絡控制假設被控對象的模型為5.2神經網絡控制5.2.5神經網絡學習控制(neuralnetworklearningcontrol)

5.2神經網絡控制5.2.5神經網絡學習控制(neura5.2神經網絡控制神經網絡學習控制系統將神經網絡與常規(guī)誤差反饋控制結合起來，首先用NN學習對象的逆動力學模型，然后用NN作為前饋控制器與誤差反饋控制器構成復合控制器來控制對象。系統以反饋控制器的輸出作為評價函數來調節(jié)神經網絡的權值。這樣，在控制之初，反饋控制器的作用較強，而隨著控制過程的進行，NN得到越來越多的學習，反饋控制器的作用越來越弱，NN控制器的作用越來越強。5.2神經網絡控制神經網絡學習控制系統將神經網絡與常規(guī)誤差5.2神經網絡控制5.2.6神經網絡預測控制(neuralnetworkpredictivecontrol)

先用神經網絡預測模型，根據過去的輸入序列和輸出序列及當前的輸入來預測被控對象的未來輸出值，再利用控制算法在線校正和優(yōu)化被控對象的動態(tài)行為，最終使被控對象的輸出跟蹤期望軌跡穩(wěn)定在設定值上。5.2神經網絡控制5.2.6神經網絡預測控制(neura5.2神經網絡控制5.2神經網絡控制5.2神經網絡控制5.2.7神經網絡PID控制(neuralnetworkPIDcontrol)

5.2神經網絡控制5.2.7神經網絡PID控制(neur5.2神經網絡控制經典增量式數字PID的控制算法為：NN是一個三層BP網絡,有M個輸入節(jié)點、N個隱含節(jié)點、3個輸出節(jié)點。輸入節(jié)點對應所選的系統運行狀態(tài)量,輸出節(jié)點分別對應PID控制器的3個可調參數kp,ki,kd

。5.2神經網絡控制經典增量式數字PID的控制算法為：N5.2神經網絡控制網絡根據性能指標J=(r-y)2/2進行在線學習，則可以及時更新PID控制器的參數，使系統誤差在不確定嚴重的情況下保持最小。5.2神經網絡控制網絡根據性能指標J=(r-y)2/2進行5.2神經網絡控制5.2.8神經網絡滑模控制(neuralnetworkslidingmodecontrol)

神經網絡用于逼近被控對象由于建模誤差和外部干擾造成的不確定性，而后將神經網絡的逼近誤差看作一個有界的不確定性，由滑模變結構控制律給予補償