神经网络控制.ppt

《神经网络控制.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第9章神经网络控制9.1概述神经网络一种具有高度非线性的连续时间动力系统，它有着很强的自学习功能和对非线性系统的强大映射能力，已广泛应用于复杂对象的控制中神经网络所具有的大规模并行性、冗余性、容错性、本质的非线性及自组织、自学习、自适应能力，给不断面临挑战的控制理论带来生机神经网络控制处理那些难以用模型或规则描述的对象采用并行分布式信息处理方式，具有很强的容错性本质上是非线性系统，可以实现任意非线性映射具有很强的信息综合能力，能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题硬件实现愈趋方便,大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段

2、神经网络控制在理论和实践上，研究的重点有：(1)神经网络的稳定性与收敛性问题；(2)神经网络控制系统的稳定性与收敛性问题；(3)神经网络学习算法的实时性；(4)神经网络控制器和辨识器的模型和结构；根据神经网络在控制器中的作用不同，神经网络控制器可分为两类神经控制，它是以神经网络为基础而形成的独立智能控制系统混合神经网络控制，它是指利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等9.2神经网络控制结构9.2.1神经网络监督控制通过对传统控制器进行学习，然后用神经网络控制器逐渐取代传统控制器的方法，称为神经网络监督控制。神经网络监督控制的结构如图9-1

3、所示。图9-1神经网络监督控制神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。9.2.2神经网络直接逆动态控制神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制

4、器后，被控对象的输出为期望输出。显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。图9-2为神经网络直接逆控制的两种结构方案。在图9-2(a)中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。在图9-2(b)中，神经网络NN通过评价函数进行学习，实现对象的逆控制。（a）图9-2神经网络直接逆控制（b）9.2.3神经网络自适应控制与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参

5、考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。1神经网络自校正控制神经网络自校正控制分为直接自校正控制和间接自校正控制。间接自校正控制使用常规控制器，神经网络估计器需要较高的建模精度。直接自校正控制同时使用神经网络控制器和神经网络估计器。（1）神经网络直接自校正控制在本质上同神经网络直接逆控制，其结构如图9-2所示。（2）神经网络间接自校正控制其结构如图9-3所示。假设被控对象为如下单变量仿射非线性系统：若利用神经网络对非线性函数和进行逼近，得到和，则

6、控制器为：其中为时刻的期望输出值。图9-3神经网络间接自校正控制2.神经网络模型参考自适应控制分为直接模型参考自适应控制和间接模型参考自适应控制两种。（1）直接模型参考自适应控制如图9-4所示。神经网络控制器的作用是使被控对象与参考模型输出之差为最小。但该方法需要知道对象的信息。图9-4神经网络直接模型参考自适应控制（2）间接模型参考自适应控制如图9-5所示。神经网络辨识器NNI向神经网络控制器NNC提供对象的信息，用于控制器NNC的学习。图9-5神经网络间接模型参考自适应控制9.2.4神经网络内模控制经典的内模控制将被控系统的正向模型和逆模型直接加入反馈回路，系统的正向模型作

7、为被控对象的近似模型与实际对象并联，两者输出之差被用作反馈信号，该反馈信号又经过前向通道的滤波器及控制器进行处理。控制器直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。图9-6为神经网络内模控制，被控对象的正向模型及控制器均由神经网络来实现。图9-6神经网络内模控制9.2.5神经网络预测控制预测控制又称为基于模型的控制，是70年代后期发展起来的新型计算机控制方法，该方法的特征是预测模型、滚动优化和反馈校正。神经网络预测控制的结构如图9-7所示，神经网络预测器建立了非线性被控对象的预测模