工程硕士神经网络理论与应用课程课件.ppt

《工程硕士神经网络理论与应用课程课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在PPT专区-天天文库。

1、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

2、的控制系统F控制器检测、变换器被控对象执行器xguezy-F神经网络控制器被控对象执行器guxy在线数据检测器控制器检测、变换器被控对象执行器xguezyF-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=f´ydy=fuy=ff´yd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—控制器特性控制器非线性被控对象uydyc）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X（s）-Wc（s）W0（s）Y（s）Wm（s）-当Wm（S）=W

3、0（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：X（s）-NN控制器非线性对象Y（s）NN估计器-滤波器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：y（k）+NN控制器非线性对象yd（k）参考模型-ym（k）ec（k）u（k）系统控制的任务是，在确定的序列{yd（k）}作用下使limIy（k）-ym

4、（k）I≤≻0的正小数间接神经网络模型参考自适应控制系统结构为：y（k）+NN控制器非线性对象yd（k）NN辨识器-ym（k）ec（k）u（k）K∞神经网络离线辨识结构yN（k）-非线性对象NN辨识器ep（k）u（k）d（k）yp（k）e）神经网络前馈控制传统的前馈控制系统结构：X（s）Wc（s）W0（s）Y（s）Wff（s）-Wd（s）E（s）U（s）D（s）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）混合控制系统反馈控制器非线性被控对象ueyydNN控制器-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

5、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-非线性对象NN控制器ucuy21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在线学习法非线性对象NN控制器ucydy在线学习框架结构图

6、：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）]=21∂wij∂Ep∂y（k）∂Ep∂wij（k）∂y（k）∂wij（k）∂y（k）非线性对象NN控制器uyd-y=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

7、）指标函数：EP=[yd（k）—y（k）]2优点：缺点：固定增益控制器（k0）非线性被控对象ueyyd神经网络-2k07.3.4多网络学习法前向模型的多网络学习法框架结构图：y-NN控制器非线性对象ydNN辨识器ymu-逆模型的多网络学习法框架结构图：ydy-NN控制器非线性对象NN辨识器uudNN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=yd7.4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:BP网络抽头时滞环节X(k)x(k)x(