《智能控制理论2007-06(神经网络控制)》由会员分享，可在线阅读，更多相关《智能控制理论2007-06(神经网络控制)（94页珍藏版）》请在金锄头文库上搜索。
1、基于神经网络的控制研究,2003年3月18日,神经网络控制,概述神经网络是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。,从控制角度来看，神经网络用于控制的优越性主要表现为： （1）可并行处理那些难以用模型或规则描述的对象； （2）采用并行分布式信息处理，具有很强的容错性； （3）本质上是非线性系统，可实现任意非线性映射。 神经网络在非线性控制系统中具有很大的发展前途；,神经网络控制优越性,（4）具有
2、强的信息综合能力，它能同时处理大量不同类型的输入，能解决输入信息之间的互补性和冗余性问题； （5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展为硬件实现提供了技术手段，在控制中的应用开辟了广阔的前景。,神经网络控制优越性,(1) 基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，建立线性、非线性系统的静态、动态、逆动态及预测模型； (2) 神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性； (3) 神经网络与其他算法相结合：与专家系统、模糊逻辑、遗传算法等相结合可构
3、成新型控制器；,神经网络控制所取得的进展,(4) 优化计算：在常规控制系统的设计中，常遇到求解约束优化问题，神经网络为这类问题提供了有效的途径； (5) 控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。,神经网络控制所取得的进展,神经网络控制的研究重点： (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；,神经网络控制,根据在控制器中的作用，神经控制器分为两类： 一类为神经控制，它是以神经网络为基础而形成的独立智能控制
4、系统； 另一类为混合神经网络控制，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。 综合目前的各种分类方法，可归结为以下七类。,9.2 神经网络控制结构,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。,9.2.1 神经网络监督控制,9.2.1 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
5、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。,9.2.1 神经网络监督控制,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器后，被控对象的输出为期望输出。,9.2.2 神经网络直接逆动态控制,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。,9.2.2 神经网络直接逆动态控制,
6、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，。在图9-2(b)中，。,9.2.2 神经网络直接逆动态控制,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。,（a）,9.2.2 神经网络直接逆动态控制,（b）,9.2.2 神经网络直接逆动态控制,神经网络NN通过评价函数进行学习， 实现对象的逆控制。,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，模型参考自适应控制中，闭环控制系统的期
7、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。,9.2.3 神经网络自适应控制,（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 ，则控制器为：其中 为 时刻的期望输出值。,9.2.3 神经网络自适应控制,图9-3 神经网络间接自校正控制,9
8、.2.3 神经网络自适应控制,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 。,9.2.3 神经网络自适应控制,图9-4 神经网络直接模型参考自适应控制,9.2.3 神经网络自适应控制,（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。,9.2.3 神经网络自适应控制,图9-5 神经网络间接模型参考自适应控制,9.2.3 神经网络自适应控制,经典
9、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。,9.2.4 神经网络内模控制,图9-6 神经网络内模控制,9.2.4 神经网络内模控制,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
10、的预测模型，并可在线进行学习修正。利用此预测模型，通过设计优化性能指标，利用非线性优化器可求出优化的控制作用 。,9.2.5 神经网络预测控制,图9-7 神经网络预测控制,9.2.5 神经网络预测控制,神经网络自适应评判控制通常由两个网络组成，如图9-8所示。自适应评判网络通过不断的奖励、惩罚等再励学习，使自己逐渐成为一个合格的“教师”，学习完成后，根据系统目前的状态和外部激励反馈信号产生一个内部再励信号，以对目前的控制效果作出评价。,9.2.6 神经网络自适应评判控制,控制选择网络相当于一个在内部再励信号指导下进行学习的多层前馈神经网络控制器，该网络在进行学习后，根据编码后的系统状态，在允许
11、控制集中选择下一步的控制作用,9.2.6 神经网络自适应评判控制,图9-8 神经网络自适应评判控制,9.2.6 神经网络自适应评判控制,9.2.7 神经网络混合控制该控制方法是集成人工智能各分支的优点，由神经网络技术与模糊控制、专家系统等相结合而形成的一种具有很强学习能力的智能控制系统。由神经网络和模糊控制相结合构成模糊神经网络，由神经网络和专家系统相结合构成神经网络专家系统。神经网络混合控制可使控制系统同时具有学习、推理和决策能力。,9.3 单神经元网络控制,9.3.1 单神经元自适应控制算法单神经元自适应控制的结构如图9-9所示。,图9-9 单神经元自适应PID控制结构,9.3 单神经元网
12、络控制,单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，控制算法为,如果权系数的调整按有监督的Hebb学习规则实现，即在学习算法中加入监督项 ，则神经网络权值学习算法为：,9.3 单神经元网络控制,Hebb学习规则,其中， 为连接从神经元i 到神经元 j 的当前权值， 和 为神经元的激活水平。Hebb学习规则是一种无教师的学习方法，它只根据神经元连接间的激活水平改变权值，因此，这种方法又称为相关学习或并联学习。,为学习速率， 为神经元的比例系数， 。,式中，,9.3 单神经元网络控制,值的选择非常重要。 越大，则快速性越好，但超调量大，甚至可能使系统不稳定。当被控对象时延增
13、大时， 值必须减少，以保证系统稳定。 值选择过小，会使系统的快速性变差。,9.3 单神经元网络控制,输入指令为一方波信号采样时间为1ms，采用单神经元自适应控制律进行控制。 仿真程序：chap9_1.m,9.3.2 仿真实例,被控对象为,chap9_1.m,%Single Neural Adaptive Controller clear all; close all; x=0,0,0;xite=0.40; w1_1=0.10; w2_1=0.10; w3_1=0.10; e_1=0; e_2=0; y_1=0; y_2=0; u_1=0;u_2=0; ts=0.001;,for k=1:1:1
14、000time(k)=k*ts;r(k)=0.5*sign(sin(2*2*pi*k*ts);y(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2;e(k)=r(k)-y(k);,调整权值,%Adjusting Weight Value by supervised Heb learning algorithm w1(k)=w1_1+xite*e(k)*u_1*x(1);w2(k)=w2_1+xite*e(k)*u_1*x(2);w3(k)=w3_1+xite*e(k)*u_1*x(3);K=0.12; x(1)=e(k)-e_1; x(2)=e(k); x(3)=
15、e(k)-2*e_1+e_2;w=w1(k),w2(k),w3(k);u(k)=u_1+K*w*x; %Control lawe_2=e_1;e_1=e(k);u_2=u_1;u_1=u(k);y_2=y_1;y_1=y(k); w1_1=w1(k);w2_1=w2(k);w3_1=w3(k);,画图语句,end figure(1); plot(time,r,b,time,y,r);xlabel(time(s);ylabel(Position tracking); figure(2); plot(time,e,r);xlabel(time(s);ylabel(error); figure(3)
16、; plot(time,w1,r);xlabel(time(s);ylabel(w1); figure(4); plot(time,w2,r);xlabel(time(s);ylabel(w2); figure(5); plot(time,w3,r);xlabel(time(s);ylabel(w3);,基于神经网络的自校正PID控制,常规PID控制仍然是实际工业过程控制中成熟且应用十分广泛的工程控制方法。 传统的PID控制器有局限性，当被控对象含有非线性、不确定性和时变特性时，常规的PID控制器难以发挥作用，甚至会失稳。 增强PID控制器作用,提出了许多有效的控制方案。 将神经网络用于复杂过程控制已引起广泛关注。提出了许多基于神经网络的PID控制方法，得到了较好的控制效果。,
