先进控制技术2课件

第六章先进控制技术先进控制技术主要解决传统的、经典的控制技术所难以解决的控制问题，代表着控制技术最新的发展方向，并且与多种智能控制算法是相互交融、相互促进发展的。本章主要介绍控制技术中的模糊控制技术、神经网络控制技术、专家控制技术和预测控制技术。

6.1模糊控制技术

6.2神经网络控制技术

6.3专家控制技术

6.4预测控制技术

6.5其它先进控制技术6.2神经网络控制技术6.2.1神经网络概述

6.2.2神经网络模型

6.2.3神经网络系统辨识

6.2.4神经网络控制

6.2.5神经网络控制举例

一、神经网络的产生与发展1943年心理学家McCulloch和数学家Pitts提出神经元生物数学模型（简称MP模型），标志着神经网络的产生。1982年美国加州物理学家Hopfield提出了Hopfield神经网络系统（简称HNNS）模型，并提出了能量函数和稳定性等概念。并在计算TSP（售货员送货线路）问题上取得进展。神经网络系统理论与技术发展大体分三方面：1.硬件技术目前一些先进国家已实现了1000多个神经元的神经网络系统。2.神经网络系统理论3.神经网络应用研究神经网络系统理论的应用研究主要在模式识别、经济管理、优化控制、数据压缩、编码、解码、股市分析等方面。人工神经网络定义人工神经网络是一个由许多简单的并行工作的处理单元组成的系统，其功能取决于网络的结构、连接强度以及各单元的处理方式。人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算系统，该系统是靠其状态对外部输入信息的动态响应来处理信息的。二、神经网络的基本特性与功能1.神经网络的特性并行分布处理非线性映射通过训练进行学习适应与集成硬件实现

联想记忆功能非线性映射功能优化计算功能知识处理功能返回本节一、生物神经元及其信息处理

二、人工神经元模型及人工神经网络模型

三、多层感知器与BP算法

四、Hopfield网络6.2.2神经网络模型人类大脑大约包含有1.41011个神经元，每个神经元与大约103～105个其它神经元相连接，构成一个极为庞大而复杂的网络，即生物神经网络。神经生理学和神经解剖学的研究结果表明，神经元(Neuron)是脑组织的基本单元，是人脑信息处理系统的最小单元。1.生物神经元的结构

生物神经元在结构上由细胞体(Cellbody)

树突(Dendrite)

轴突(Axon)

突触(Synapse)

四部分组成。用来完成神经元间信息的接收、传递和处理。2.生物神经元的信息处理机理（1）信息的产生神经元间信息的产生、传递和处理是一种电化学活动。

神经元状态：

兴奋：当传入的神经冲动使细胞膜电位升高超过阈值时，细胞进入兴奋状态，产生神经冲动由轴突输出。抑制：当传入的神经冲动使细胞膜电位下降低于阈值时，细胞进入抑制状态，没有神经冲动输出。（2）信息的传递与接收3.生物神经网络由多个生物神经元以确定方式和拓扑结构相互连接即形成生物神经网络。

生物神经网络的功能不是单个神经元信息处理功能的简单叠加。神经元之间的突触连接方式和连接强度不同并且具有可塑性，这使神经网络在宏观呈现出千变万化的复杂的信息处理能力。二、人工神经元模型及人工神经网络模型神经元模型连接机制结构的基本处理单元与神经生理学类比往往称为神经元每个构造网络的神经元模型模拟一个生物神经元（1）神经元的数学模型τij——输入输出间的突触时延；

Tj——神经元j的阈值；

wij——神经元i到j的突触连接系数或称权重值；

f()——神经元转移函数。（2）神经元的转移函数1）阈值型转移函数

1x≥0

f(x)= 0x＜0

2）非线性转移函数3）分段线性转移函数

0x≤0 f(x)= cx0＜

x≤xc

1xc＜

x （1）前向网络（层次型结构）2.人工神经网络模型输入层输出层中间层或隐层（2）（反馈网络）输出层到输入层有连接（3）（相互结合型网络）全互连型结构（4）（混合型网络）层内有连接的层次型结构神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训练，其本质是可变权值的动态调整。3.人工神经网络的学习神经网络的主要学习算法

有师学习有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。无师学习无师学习算法不需要知道期望输出。强化学习强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数）三、多层感知器与BP算法1.感知器（1）感知器模型感知器是在MP模型基础上建了起来的单细胞神经网络的信息处理器。ojx1-1x2设输入向量X=(x1,x2)T输出：则由方程w1jx1+w2jx2-Tj=0

确定了二维平面上的一条分界线。ojx1-1x2（2）感知器的功能w1jx1+w2jx2-Tj=0设输入向量X=(x1,x2,x3)T输出：则由方程w1jx1+w2jx2+w3j

–Tj=0确定了三维空间上的一个分界平面。

x2ojx1x3-1w1jx1+w2jx2+w3j–Tj=0设输入向量X=(x1，x2,…，xn)T则由方程w1jx1+w2jx2+…+wnjxn

–Tj=0确定了n维空间上的一个分界平面。净输入：w1jx1+w2jx2+…+wnj

xn–Tj

一个最简单的单计算节点感知器具有分类功能。其分类原理是将分类知识存储于感知器的权向量（包含了阈值）中，由权向量确定的分类判决界面将输入模式分为两类。（1）基于BP算法的多层前馈网络模型2.多层感知器与BP算法

误差反向传播神经网络，简称BP网络（BackPropagation），是一种单向传播的多层前向网络。在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较为广泛的应用。如图是BP网络的示意图。BP网络的示意图输入向量：

X=(x1,x2,…,xi,…,xn)T隐层输出向量：

Y=(y1,y2,…,yj,…,ym)T输出层输出向量：

O=(o1,o2,…,ok,…,ol)T期望输出向量：d=(d1,d2,…,dk,…,dl)T输入层到隐层之间的权值矩阵：V=(V1,V2,…,Vj,…,Vm)隐层到输出层之间的权值矩阵用：W=(W1,W2,…,Wk,…,Wl)对于输出层：k=1,2,…,lk=1,2,…,l

对于隐层：j=1,2,…,mj=1,2,…,m

输出误差E定义为：将以上误差定义式展开至隐层：（2）BP学习算法的权值调整思路BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最小。权值调整思路:j=0,1,2,…,m;k=1,2,…,l

i=0,1,2,…,n;j=1,2,…,m

式中负号表示梯度下降，常数η∈(0,1)表示比例系数。在全部推导过程中，对输出层有j=0,1,2,…,m;k=1,2,…,l对隐层有i=0,1,2,…,n;j=1,2,…,m（3）BP学习算法的计算步骤

1)初始化置所有权值为较小的随机数

2)提供训练集

3)计算实际输出计算隐含层、输出层各神经元输出

4)计算目标值与实际输出的偏差E5)计算

6)计算

7)返回“2）”重复计算，直到误差满足要求为止（4）标准BP算法的改进标准的BP算法在应用中暴露出不少内在的缺陷：易形成局部极小而得不到全局最优；训练次数多使得学习效率低，收敛速度慢；隐节点的选取缺乏理论指导；训练时学习新样本有遗忘旧样本的趋势。针对上述问题，国内外已提出不少有效的改进算法，下面为其中3种较常用的方法。1)增加动量项α为动量系数，一般有α∈(0，1)2)自适应调节学习率

设一初始学习率，若经过一批次权值调整后使总误差↑，则本次调整无效，且=β(β<1)；若经过一批次权值调整后使总误差↓，则本次调整有效，且=θ(θ>1)。3)引入陡度因子实现这一思路的具体作法是，在原转移函数中引入一个陡度因子λ返回本节四、Hopfield网络

Hopfield网络是一个单层网络，有多个神经元节点，每个神经元的输出均接到其它神经元的输入。各节点没有自反馈，每个节点都附有一个阀值。每个节点都可处于一种可能的状态（1或－1），即当该神经元所受的刺激超过其阀值时，神经元就处于一种状态（比如1），否则神经元就始终处于另一状态（比如－1）。一、系统辨识的定义及应用

二、辨识的主要步骤

三、在线辨识与离线辨识

四、神经网络系统辨识应用实例6.2.3神经网络系统辨识定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定一个与所测系统等价的模型。一、系统辨识的定义及应用1.系统辨识的定义系统辨识（Identification）的主要应用：控制系统的分析和设计用于自校正、模型参考自适应系统预测和预报监视系统运行状态，进行故障诊断2.系统辨识的应用1)实验设计确定输入信号、采样周期、辨识时间、开环或闭环、离线或在线等等。2)确定辨识模型M的结构

M的结构设计主要依靠人的经验来确定，M可以由一个或多个神经网络组成，也可以加入线性系统。二、辨识的主要步骤

3)确定辨识模型的参数需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般的BP学习算法辨识网络的权值参数。4)模型检验模型的实际应用效果是对系统辨识效果优劣的检验标准。在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。三、在线辨识与离线辨识离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。

dP

∑+-e(k)u(k)四、神经网络系统辨识应用实例粮食干燥热力过程神经网络模型辨识

粮食干燥塔系统简化图

神经网络辨识模型

干燥塔出口粮食水分神经网络辨识结果与实测结果比较返回本节一、神经网络控制系统结构

二、基于BP神经网络的PID控制

6.2.4神经网络控制神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线性控制、系统辨识和自适应控制等等。1.神经网络监督控制在传统控制器，如PID控制器基础上，再增加一个神经网络控制器,如下图所示，此时神经网络控制器实际是一个前馈控制器。一、神经网络控制系统结构

2.直接逆控制系统结构直接逆控制是一种前馈控制，设被控对象模型为P且其逆模型P-1存在，理论上可直接用P-1作为控制器与被控对象串联，此时控制器P-1的输入为系统的参考输入r，输出为u，而被控对象的输入为u，输出为y，理想情况下应有y=r，即系统的传递函数为P

P-1=1。因此，可先通过离线训练使神经网络控制器NNC获得被控对象的逆特性P-1，再将具有逆特性P-1的NNC与被控对象串联。神经网络直接逆控制结构

该控制结构的一种实现方案如图所示:NNC()对象ruy由于不存在反馈，直接逆控制系统鲁棒性不足；逆模型参数可通过在线学习调整，以期把受控系统的鲁棒性提高至一定程度。内模控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。-dyu

-f

r+滤波器NNC对象NNI3.内模控制系统结构其中，系统模型（NNI正向模型）与实际系统并行设置；反馈信号由系统输出与模型输出间的差得到；由NNC（在正向控制通道上一个具有逆模型的NN控制器）进行处理；NNC控制器应当与系统的逆有关。

PID控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。在常规PID控制器中，这种关系只能是简单的线性组合，因此，难以适应复杂系统或复杂环境下的控制性能要求。从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来实现具有最佳组合的PID控制。4.PID控制系统结构PID控制系统结构间接自校正控制常称为自校正控制，该方案可在被控系统参数变化的情况下自动调整控制器参数，消除扰动的影响。5.间接自校正控制系统结构6.模型参考自适应控制系统结构当被控对象具有未知的非线性特性时，可采用神经网络模型参考自适应控制方案，其结构如下。直接型间接型二、基于BP神经网络的PID控制

设被控对象为

1.神经网络辨识器的设计

2.神经网络PID控制器的设计

返回本节3.6.5神经网络控制举例石灰窑炉示意图

石灰窑炉的神经网络辨识模型

基于神经网络的石灰窑内模控制方案石灰窑炉逆模型训练示意图

神经控制器的设计一般应包括以下内容建立受控对象的数学计算模型或知识表示模型；选择神经网络及其算法,进行初步辨识与训练；设计神经控制器,包括控制器结构、功能与推理；控制系统仿真实验，并通过实验结果改进设计。模糊控制与神经网络控制的比较从知识的表达方式来看模糊系统可以表达人的经验性知识，便于理解，而神经网络只能描述大量数据之间的复杂函数关系，难于理解从知识的存储方式来看模糊系统将知识存在规则集中，神经网络将知识存在权系数中，都具有分布存储的特点从知识的运用方式来看模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，计算量小，而神经网络涉及的神经元很多，计算量大从知识的获取方式来看模糊系统的规则靠专家提供或设计，难于自动获取．而神经网络的权系数可由输入输出样本中学习，无需人来设置。因此将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。模糊神经网络主要形式1.松散型结合在一个系统中，对于可用＂If-then＂规则来表示的部分，用模糊系统描述，而对很难用＂If-then＂规则表示的部分，则用神经网络，两者之间没有直接联系。2.并联型结合3．串联型结合模糊系统和神经网络在系统中按串联方式连接，即一方的输出成为另一方的输入，这种情况可看成是两段推理或者串联中前者为后者输入信号的预处理部分。例如用神经网络从原输入信号提取有效的特征量，作为模糊系统的输入，这样可使获取模糊规则的过程变得容易。结束放映返回本章首页6-1什么叫神经网络？它有哪些特性？6-2人工神经网络模型结构有哪几种？6-3神经网络系统辨识的基本思想是什么？6-4简述神经网络PID控制器的设计思想？6.3专家控制技术6.3.1专家系统

1.专家系统结构右图为理想专家系统的结构图，主要包括接口、知识库、黑板、解释器、推理机等部分。2.建造专家系统的步骤建立专家系统的步骤一般如下：

1）设计初始数据库

(1)问题知识化

(2)知识概念化

(3)概念形式化

(4)形式规则化

(5)规则合法化

2）原型机的开发与试验

3）知识库的改进与归纳6.3.2专家控制介绍专家控制系统大致可以分为以下几类：

1.基于规则的专家自整定控制基于规则的自整定控制器结构如下图所示。2.专家监督控制如下图所示为专家监督控制系统结构框图。3.混合型专家控制4.仿人智能控制6.3.3专家控制基本思想

1.专家控制的知识表示知识表示方法有以下几种:1）产生式规则表示法：其规则的一般形式为：

IF条件lAND条件2…AND条件NTHEN结论或动作

2）框架表示法

3)状态空间表示法：状态空间可表示为三元组

,其中表示初始状态集合，表示操作