《智能控制第5章 神经网络在控制中的应用》由会员分享，可在线阅读，更多相关《智能控制第5章 神经网络在控制中的应用（32页珍藏版）》请在金锄头文库上搜索。
1、第5章 神经网络在控制中的应用,神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术,5.1 神经网络系统辨识,系统辨识是自适应控制的关键所在，它通过测量对象的输入输出状态来估计对象的数学模型，使建立的数学模型和对象具有相同的输入输出特性。,神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。,神经网络系统辨识实质上是选择一个适当的神经网络模型来逼近实际系统的数学模型。,5.1 神经网络系统辨识,5.1.1 神经网络系统辨识的原理,系统辨识的原理就是通过调整辨识模型的结构来使e最小。,在神经网络系统辨识中，神经网络用作辨识模型，
2、将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。,5.1 神经网络系统辨识,5.1.2多层前向BP网络的系统辨识,假设非线性对象的数学模型可以表示为：,其中f()是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。,5.1 神经网络系统辨识,多层前向BP网络系统辨识原理图,5.1 神经网络系统辨识,网络的输出可以通过下式计算得到：,H(*)表示隐层神经元的激发函数,Wij(1),Wj(2)分别表示网络第1-2
3、层和2-3层的连接权值,5.1 神经网络系统辨识,定义网络训练的目标函数为：,则网络训练的BP算法可以描述为：,5.1 神经网络系统辨识,5.1.3 递归神经网络系统辨识,递归神经网络结构,5.1 神经网络系统辨识,递归神经网络的输入输出关系可以描述为：,H(*)表示隐层神经元的激发函数,Wij(1),Wjk(2)分别表示网络第1-2层和2-3层的连接权值,Wi(0)表示网络第一层的递归权值,5.1 神经网络系统辨识,由于递归神经网络本身具有动态反馈环，可以记录以前的状态，因此用递归神经网络来对非线性对象进行辨识时只需以对象当前的输入状态u(t)和前一时刻的输出状态y(t-1)作为网络的输入即
4、可，与前向多层神经网络相比，网络的结构较为简单。,5.1 神经网络系统辨识,5.2 神经网络控制,神经网络在控制中主要起以下作用：,(1)在基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用； (3)在传统控制系统中起优化计算作用； (4)在与其它智能控制方法和优化算法相融合中,为其提 供对象模型、优化参数、推理模型及故障诊断等。,5.2 神经网络控制,5.2.1 神经网络直接反馈控制系统,神经网络直接用作误差闭环系统的反馈控制器，神经网络控制器首先利用其它已有的控制样本进行离线训练，而后以系统的误差的均方差为评价函数进行在线学习。,5.2 神经网络控制,
5、5.2.2 神经网络逆控制(neural network inverse control),5.2 神经网络控制,自适应逆控制的基本思想就是用被控对象传递函数的逆模型作为串联控制器对控制对象实施开环控制。,神经网络先离线学习被控对象的逆动力学模型，然后用作对象的前馈串联控制器。由于开环控制缺乏稳定性，所以神经网络还需要根据系统的反馈误差在线继续学习逆动力学模型。,5.2 神经网络控制,5.2.3 神经网络内模控制(neural network inner mode control),1) 当模型精确时，对象和控制器同时稳定就意味闭 环系统稳定；2) 当闭环系统稳定时，若控制器取为模型逆，则不论
6、有无外界干扰d，均可实现理想控制y=r；3) 当闭环系统稳定时，只要控制器和模型的稳态增益乘积为1，则系统对于阶跃输入及阶跃干扰均不 存在输出静差。,5.2 神经网络控制,将对象模型与实际对象相并联，控制器逼近模型的动态逆。一般有两种方法：1) 两个神经网络分别逼近模型和模型的逆；2) 采用神经网络逼近模型，然后用非线性优化方法数值计算内模控制量。,5.2 神经网络控制,5.2.4 神经网络自适应控制(neural network adaptive control),(1) 神经网络模型参考自适应控制 (neural network model reference adaptive contr
7、ol),模型参考自适应控制的目的是：系统在相同输入激励r的作用下，使被控对象的输出y与参考模型的输出ym达到一致。这样通过调整参考模型，可以调整系统的动态特性。,5.2 神经网络控制,神经网络控制器(NNC)先离线学习被控对象的逆动力学模型，与被控对象构成开环串联控制，然后神经网络根据参考模型输出与被控对象输出的误差函数进行在线训练，使误差函数最小。,神经网络模型参考直接自适应控制,5.2 神经网络控制,神经网络模型参考间接自适应控制,在直接自适应控制的基础上，引入了一个神经网络辨识器（NNI）来对被控对象的数学模型进行在线辨识，这样可以及时地将对象模型的变化传递给NNC，使NNC可以得到及时
8、有效的训练。,5.2 神经网络控制,(2) 神经网络自校正控制(neural network self-turning control),自校正调节器的目的是在控制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，以保证系统的性能指标。在这种控制方式中，神经网络(NN)用作过程参数或某些非线性函数的在线估计器。,5.2 神经网络控制,假设被控对象的模型为yk+1f(yk)+g(yk)uk 则用神经网络对非线性函数f(yk)和g(yk)进行辨识，假设其在线计算估计值fd(yk)和gd(yk)，则调节器的自适应控制律为uk=(yd -fd(yk)/gd(yk) 此时系统的传递函数为1,5.
9、2 神经网络控制,5.2.5 神经网络学习控制(neural network learning control),5.2 神经网络控制,神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器来控制对象。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。,5.2 神经网络控制,5.2.6 神经网络预测控制(neural network predictive con
10、trol),先用神经网络预测模型，根据过去的输入序列和输出序列及当前的输入来预测被控对象的未来输出值，再利用控制算法在线校正和优化被控对象的动态行为，最终使被控对象的输出跟踪期望轨迹稳定在设定值上。,5.2 神经网络控制,5.2 神经网络控制,5.2.7 神经网络PID控制(neural network PID control),5.2 神经网络控制,经典增量式数字PID 的控制算法为：,NN 是一个三层BP 网络, 有M个输入节点、N 个隐含节点、3个输出节点。输入节点对应所选的系统运行状态量, 输出节点分别对应PID 控制器的3个可调参数kp , ki , kd 。,5.2 神经网络控制,
11、网络根据性能指标J=(r-y)2/2进行在线学习，则可以及时更新PID控制器的参数，使系统误差在不确定严重的情况下保持最小。,5.2 神经网络控制,5.2.8 神经网络滑模控制(neural network sliding mode control),神经网络用于逼近被控对象由于建模误差和外部干扰造成的不确定性，而后将神经网络的逼近误差看作一个有界的不确定性，由滑模变结构控制律给予补偿和控制。,5.2 神经网络控制,5.2.9 神经网络鲁棒控制(neural network robust control),利用神经网络来实时逼近系统的不确定，然后将神经网络的逼近误差当作系统的外部干扰，由鲁棒控制器来消除，则可使系统的不确定程度大大降低，从而使鲁棒控制系统获得较好的暂态性能而无须获知不确定的上界 。,
