资源描述：
《神经网络自适应控制.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、神经网络自适应控制学院：电气工程与自动化学院专业：控制科学与工程姓名：兰利亚学号：1430041009日期：2015年6月25日神经网络间接自适应控制摘要：自适应模糊控制系统对参数变化和环境变化不敏感,能用于非线性和多变量复杂对象,不仅收敛速度快,鲁棒性好,而且可以在运行中不断修正自己的控制规则来改善控制性能,因而受到广泛重视。间接自适应控制是通过在线辨识的到控制对象的模型。神经网络作为自适应控制器，具有逼近任意函数的能力。关键词：神经网络间接自适应控制系统辨识一、引言自适应控制系统必须完成测量性能函数、辨识对象的动态模型、决定控制器如何修改
2、以及如何改变控制器的可调参数等功能。自适应控制有两种形式：一种是直接自适应控制，另一种是间接自适应控制。直接自适应控制是根据实际系统性能与理想性能之间的偏差，通过一定的方法来直接调整控制器的参数。二、间接自适应系统分析与建模2.1系统的分析系统过程动态方程：y(k+1)=-0.8y(k)/(1+y2(k))+u(k),参考系统模型由三阶差分方程描述：ym(k+1)=0.8ym(k)+1.2ym(k-1)+0.2ym(k-2)+r(k)式中，r(k)是一个有界的参考输入。如果输出误差ec(k)定义为ec(k)=y(k)-ym(k),则控制的目的
3、就是确定一个有界的控制输入u(k),当k趋于正无穷时，ec(k)=0.那么在k阶段，u(k)可以从y(k)和它的过去值中计算得到：u(k)=0.8y(k)/(1+y2(k))+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k)（1）于是所造成的误差方程为：ec(k+1)=0.8ec(k)+1.2ec(k-1)+0.2ec(k-2)（2）因为参考模型是渐进稳定的，所以对任意的初始条件，它服从当k趋于无穷，ec(k)=0。在任何时刻k，用神经元网络N2计算过程的输入控制，即u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1
4、)+0.2y(k-2)+r(k)（3）由此产生非线性差分方程：y(k+1)=-0.8y(k)/(1+y2(k))+N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k)（4）故设计的要点是设计一个神经网络来逼近0.8y(k)/(1+y2(k))。2.2系统的建模设计过程第一步，用BP神经网络逼近，神经网络的结构包含三层：输入层、隐含层和输出层。BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。第二步，输入测试样本，对神经网络的逼近程度进行
5、测试，将测试后的期望输出与实际输出的曲线画出。第三步，控制器设计。将控制器设计为u(k)=-N[y(k)]+0.8y(k)+1.2y(k-1)+0.2y(k-2)+r(k)。系统的原理框图如下图所示。e参考模型控制器过程神经网络Nry系统的原理框图若将控制器设计成u(k)，则可得到相应曲线。一、系统的MATLAB编程clearall;closeall;x=[-10:1:10];%训练样本输入fori=1:21d(i)=0.8*x(i)/(1+x(i)^2);%目标函数，期望输出endnx1=length(x);%样本的大小y=zeros(1,
6、nx1);%输出初始化nx2=8;%隐含层的神经元个数times=20000;%学习次数w1=0.05*rand(nx2,1);%第一层的连接权值theta1=0.05*rand(nx2,1);%第一层的阈值w2=0.05*rand(1,nx2);%第二层的连接权值theta2=0.05*rand(1);%第二层的阈值ux=0.2;%学习率forn=1:timesEpx=0;%误差初始化fori=1:nx1s1=w1*x(i)-theta1;%隐含层输入x1=1./(1+exp(-s1));%隐含层输出s2=w2*x1-theta2;%输出层
7、输入y(i)=s2;%输出层输出error=d(i)-y(i);delta1=(error*(w2)').*x1.*(1-x1);delta2=error;w1=w1+ux*delta1*x(i);%第一层权值修正w2=w2+ux*delta2*(x1)';%第二层权值修正theta1=theta1-ux*delta1;%第一层阈值修正theta2=theta2-ux*delta2;%第二层阈值修正Epx=Epx+0.5*error^2;%误差输出endError(n)=Epx;epoch(n)=n;ifEpx<=0.01break;ende
8、ndn,figure(1);subplot(221);plot(x,d,'b-',x,y,'r--');title('训练完后的期望输出与实际输出');gridon
