工程硕士神经网络理论与应用课程课件

第7章神经网络控制论7.1神经网络控制的优越性何谓神经网络控制在控制系统中，采用神经网络技术，对难以描述的复杂非线性对象，进行建模或充当控制器或优化计算或进行推理或故障诊断等，以及同时兼有上述某些功能的适当组合，这样的系统称为基于神经网络的控制系统，称这种方式为神经网络控制。神经网络控制的优越性：,a）神经网络可以处理难以用模型或规则描述的过程或系统；b）神经网络是本质的非线性系统可实现任何非线性映射；c）神经网络采用并行分布式信息处理方式使其具有很强的容错性；d）神经网络具有很强的信息综合能力；e）神经网络的硬件实现，愈趋方便。,7.2几种典型的神经网络控制系统a）导师指导下的控制系统,F,神经网络控制器,被控对象,执行器,g,u,x,y,b）逆控制控制器的作用是使对象的输出与期望输出能够保持一致u=fydy=fuy=ffyd若f=f-1则有ff=ff-1=1故y=ydf非线性被控对象的原函数f-1控制器特性,c）神经网络内模控制内模控制系统于1982由E.Cahos等人提出。其中：W0（S）被控对象传函Wm（S）内部模型传函Wc（S）调节器传函,当Wm（S）=W0（S）系统为开环控制。当Wm（S）=W0（S）且Wc（S）=W0-1（S）系统为逆控制系统1991年J.Hunt等人把神经网络技术用于非线性对象的内模系统结构中，系统结构为：,NN估计器神经网络辨识器，用于辨识非线性对象的逆动态特性d）自适应神经网络控制系统神经网络模型参考自适应控制是由Narendra等人于1990年提出的。直接神经网络模型参考自适应控制系统结构为：,系统控制的任务是，在确定的序列yd（k）作用下使limIy（k）-ym（k）I0的正小数间接神经网络模型参考自适应控制系统结构为：,K,神经网络离线辨识结构,e）神经网络前馈控制传统的前馈控制系统结构：,神经网络前馈补偿系统结构图有负反馈控制的逆控制系统。f）混合控制系统,神经网络技术与其它的智能控制技术相结合构成的混合型控制方式。如模糊神经网络控制系统，神经网络专家控制系统等。,7.3神经网络控制器的学习方式7.3.1离线学习法对象处于静态离线的状态，神经网络根据被控对象的输入输出数据建立被控对象的逆模型。框架结构图为：y神经网络的输入uc神经网络的实际输出u神经网络的期望输出目标函数为：E=（uc（k）u（k）2,2,1,神经网络逆控制系统结构图：存在的问题：a）离线学习结束，神经网络控制器的学习能力就停止，当系统出现随机干扰时逆控制无能为力；b）离线学习训练时，采用的是uc与u的误差平方极小当yd与y不一致时，不能保证的误差平方极小。7.3.2在线学习法,y,在线学习框架结构图：学习算法：设非线性对象的数学模型为：y=f(u)指标函数为：Ep=yd（k）y（k）2则有：wij（k+1）=wij（k）=wij（k）=wij（k）+yd（k）y（k）=,2,1,y（k）,Ep,wij（k）,y（k）,wij（k）,y（k）,=wij（k）+yd（k）y（k）优点：系统出现随机干扰时，神经网络能够从新修改网络参数使得系统的输出，再次与期望输出靠近。缺点：要求非线性对象的Jacodian矩阵存在7.3.3反馈误差学习法反馈误差学习法的结构框架图:,u（k）,y（k）,wij（k）,u（k）,指标函数：EP=yd（k）y（k）2优点：缺点：,2,k0,7.3.4多网络学习法前向模型的多网络学习法框架结构图：,逆模型的多网络学习法框架结构图：,yd,NN辨识器用于辨识出非线性对象的逆模型。目标函数为：Ep=ud（k）uk（k）2ud为参考输入，u=ud时y=yd,7.4神经网络控制器的设计7.4.1带时滞的BP网络网络结构图:,7.4.1神经网络直接逆模型控制BP网络控制器的设计直接逆控制时系统的结构图:采用离线学习法实现对非线性对象逆模型逼近的框架结构图:,离线时间动态关系:y(k+1)=fy(k)，y(k-n+1)，u(k)，u(k-m)其中：f任意非线性函数,y输出变量，u输入变量，n对象阶数，m输入信号滞后阶数。表达式可逆有：U(k)=gy(k+1)，y(k-n+1)，u(k-1)，u(k-m)BP网络完成的映射为：uN=（X）其中：uNBP网络的输出，BP网络逼近的逆模型函数g，XBP网络的输入矢量。X=y(k+1)，y(k-n+1)，u(k-1)，u(k-m)T通过抽头时滞环节，X可转化为：,X（k，k）=y(k+1)，y(k-n+1)，u(k-1)，u(k-m)TX（k，k-1）=y(k)，y(k-n)，u(k-2)，u(k-m-1)TX（k，k-p）=y(k-p+1)，y(k-n-p+1)，u(k-p-1)，u(k-m-1)T离线训练结构框架图为：,BP网络一般采用四层，输入层、输出层节点均采用恒等函数，隐层节点采用S状函数。目标函数为：E（k，p）=pu（k-p）-uN（k-p）20p-1p-2.101p遗忘因子输出层节点训练误差：j=pu（k-p）-uN（k-p）,P=0,P-1,隐层节点的训练误差：j=f（netj）qwqj权值和阈值的调整量：wij=jojj=j逆控制系统结构图：,U(k),例7.1在线学习神经网络控制器的设计框架图为：设非线性对象输入、输出的离散时间动态关系为：y(k+1)=故n=3m=1,输入节点数为：n+1+m=5分别为：yd(k+1)，y(k)，yd(k-1)，y(k-2)，u(k-1)选525121四层BP网络，输入输出节点特性为恒等函数，隐层节点特性为：f（x）=（1+e-x）-1目标函数为：E=Ep=pyd（k）-y（k）2学习规则为：wij（k+1）=wil（k）+pjopi其中：pj=yd（k）-y（k）=,2,P=0,P-1,1