智能控制 第3章 人工神经元网络控制论-控制基础

1、第3章 人工神经元网络控制论控制基础,智能控制基础,2/68,3.1 引言,3.2 前向神经网络模型,3.6 神经网络控制基础,3.7 非线性动态系统的神经网络辨识,3.8 神经网络控制的学习机制,3.9 神经网络控制器的设计,3.3 动态神经网络模型,3.10 单一神经元控制法,目录,3/68,3.6.1 引言,神经网络控制的优越性 神经网络控制器的分类 神经网络的逼近能力,4/68,神经网络控制的优越性,5/68,神经网络控制器的分类,导师指导下的控制器,逆控制器,自适应网络控制器,前馈控制结构,自适应评价网络,混合控制系统,神经网络控制器,6/68,(1) 导师指导下的控制器,7/68,

2、(2) 逆控制器,8/68,(3) 自适应网络控制器,模型参考自适应网络控制器,9/68,(4) 前馈控制结构,10/68,3.6.2 神经网络的逼近能力,相关结论： 含一个隐层以上的多层前向传播神经网络不仅可以以任意精度逼近连续函数本身，还可以逼近函数的导数项。,11/68,3.1 引言,3.2 前向神经网络模型,3.6 神经网络控制基础,3.7 非线性动态系统的神经网络辨识,3.8 神经网络控制的学习机制,3.9 神经网络控制器的设计,3.3 动态神经网络模型,3.10 单一神经元控制法,目录,12/68,3.7.1 辨识基础,3.7.2 神经网络辨识模型的结构,3.7.3 非线性动态系统

3、的神经网络辨识,3.7 非线性动态系统的神经网络辨识,13/68,L.A.Zadeh曾经下过这样的定义：“辨识是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型”。 使用非线性系统的输入输出数据来训练神经网络可认为是非线性函数的逼近问题。 多层前向传播网络能够逼近任意L2非线性函数。,3.7.1 辨识基础,14/68,模型的选择 输入信号的选择 误差准则的选择,15/68,3.7.1 辨识基础,3.7.2 神经网络辨识模型的结构,3.7.3 非线性动态系统的神经网络辨识,3.7 非线性动态系统的神经网络辨识,16/68,3.7.2 神经网络辨识模型的结构,17/68,

4、前向建模法,所谓前向建模法是利用神经网络来逼近非线性系统的前向动力学模型 。,18/68,逆模型法,直接法：,19/68,存在的问题,存在的问题 学习过程不一定是目标最优的。 一旦非线性系统对应关系不是一对一的，那么不准确的逆模型可能会被建立。 克服方法,20/68,3.7.1 辨识基础,3.7.2 神经网络辨识模型的结构,3.7.3 非线性动态系统的神经网络辨识,3.7 非线性动态系统的神经网络辨识,21/68,并行结构,串行结构,根据可分离性和线性性，有4种结构。,辨识的两种结构,22/68,含线性部分的辨识问题（模型1、2）,模型1,模型2,23/68,线性部分的参数已知,24/68,线

5、性部分的参数未知,25/68,线性部分学习方法,最小二乘法 其中 初始条件完全未知时，可取,26/68,非线性部分学习方法,BP学习,27/68,例38,考虑以下模型： y(k+1）=ay(k)+by(k-1)+g(u) 其中a=0.3, b=0.6 g(u)=u3+0.3u2-0.4u 试辨识该系统,28/68,解,线性部分，采用递推最小二乘学习法 非线性部分采用前向传播多层神经网络来逼近。 选择神经网络结构为,29/68,辨识效果,校验输入信号 ：,30/68,非线性可分离系统（模型3）,31/68,BP学习,32/68,例3- 9,考虑如下非线性离散系统： 求：采用双模型法解决该系统的辨

6、识问题。,33/68,两种方法的学习曲线,单一模型网络： 两模型网络：,34/68,两模型法的辨识效果,35/68,3.1 引言,3.2 前向神经网络模型,3.6 神经网络控制基础,3.7 非线性动态系统的神经网络辨识,3.8 神经网络控制的学习机制,3.9 神经网络控制器的设计,3.3 动态神经网络模型,3.10 单一神经元控制法,目录,36/68,3.8 神经网络控制的学习机制,神经元控制器的目的在于如何设计一个有效的神经元网络去完成代替传统控制器的作用，使得系统的输出跟随系统的期望输出。为了达到这个目的，神经网络的学习方法就是寻找一种有效的途径进行网络连接权阵或网络结构的修改，从而使得网

7、络控制器输出的控制信号能够保证系统输出跟随系统的期望输出。,37/68,分类,3.8.1 监督式学习 离线学习法 在线学习法 反馈误差学习法 多网络学习法 3.8.2 增强式学习,38/68,1. 离线学习法,适合静态环境,39/68,2. 在线学习法,适合模型已知的动态环境,40/68,学习方法,采用最速下降法,假设系统的Jacobian矩阵已知,41/68,3. 反馈误差学习法,适用于非线性系统线性绝对占优条件下的网络学习,42/68,4. 多神经网络学习法1,前向建模多网络控制,43/68,多神经网络学习法2,逆模型建模的多网络控制结构图,44/68,3.8.2 增强式学习,利用当前控制

8、是否成功来决定下一次控制该如何走的学习方式。 修正的办法是对某一成功的行为进行鼓励，而对不成功的行为进行惩罚。 用神经网络来实现时， 则可在权值空间进行调整。,45/68,3.1 引言,3.2 前向神经网络模型,3.6 神经网络控制基础,3.7 非线性动态系统的神经网络辨识,3.8 神经网络控制的学习机制,3.9 神经网络控制器的设计,3.3 动态神经网络模型,3.10 单一神经元控制法,目录,46/68,3.9.1 直接逆模型控制法,3.9.2 直接网络控制法,3.9.3 多网络自学习控制法,3.9 神经网络控制器的设计,47/68,3.9.1 直接逆模型控制法,训练结构示意图,48/68,

9、直接逆模型控制的结构示意图,运行于静态参数环境,49/68,3.9.1 直接逆模型控制法,3.9.2 直接网络控制法,3.9.3 多网络自学习控制法,3.9 神经网络控制器的设计,50/68,3.9.2 直接网络控制法,51/68,例3-10,考虑被控系统 假设动力学逆模型成立 ，为 试用直接网络控制法控制。,52/68,解,构造神经网络结构为5,25,12,1。 输出单元层的神经元的激励函数为激励函数为非线性被控系统、其余层的神经元为Sigmoid激励元。 取=0.05 期望输出为：,53/68,学习公式,输出层,隐含层,54/68,学习结果,100次,55/68,Jacobian矩阵的替代

10、,56/68,3.9.1 直接逆模型控制法,3.9.2 直接网络控制法,3.9.3 多网络自学习控制法,3.9 神经网络控制器的设计,57/68,3.9.3 多网络自学习控制法,基本思想是利用逆动力学模型和系统的期望输出yd(k+1)去构造一个期望的控制量ud(k)，从而解决了神经控制器Nc在系统模型未知情况下的学习问题。,58/68,多网络自学习控制法,59/68,例3-11,考虑非线性系统 求：试用多神经自学习网络控制方法来设计此系统的非线性控制器，要求系统的期望输出为：,60/68,解,假设被控对象的逆动力学模型存在，即有： 神经网络辨识器Ni的结构为 ; 神经网络控制器Nc的网络结构为 ; 输出神经元均为线性单元。,61/68,曲线跟踪效果,62/68,3.1 引言,3.2 前向神经网络模型,3.6 神经网络控制基础,3.7 非线性动态系统的神经网络辨识,3.8 神经网络控制的学习机制,3.9 神经网络控制器的设计,3.3 动态神经网络模型,3.10 单一神经元控制法,目录,63/68,3.10