《计算机控制与仿真技术（第二版）教学课件杨立第9章 智能控制系统的设计与仿真》由会员分享，可在线阅读，更多相关《计算机控制与仿真技术（第二版）教学课件杨立第9章 智能控制系统的设计与仿真（34页珍藏版）》请在金锄头文库上搜索。
1、1,通过本章学习，应该掌握以下内容：,第9章 智能控制系统设计与仿真,了解智能控制的基本知识 掌握模糊控制系统的设计与仿真方法 掌握神经网络控制系统的设计与仿真方法,2,智能控制不同于经典控制理论和现代控制理论，它将传统控制理论的分析和理解的洞察力与人工智能灵活地结合，是传统控制理论的发展。 智能控制是定性决策和定量控制相结合的多模态组合控制，能对复杂系统进行有效的全局控制，具有较强的容错能力；同时，智能控制具有以知识表示的非数学广义模型和以数学模型表示的混合控制过程，人的知识在控制中起着重要的协调作用，系统在信息处理上既有数学运算，又有逻辑和知识的推理。,9.1 智能控制系统概述,3,9.2
2、 模糊控制系统设计与仿真,9.2.1 模糊控制系统概述,1. 模糊控制的产生,模糊集合与模糊控制是美国学者加利福尼亚大学教授L.A.Zadeh于1965年首先提出的，至今仅40余年的时间。它是以模糊数学为基础，用语言规则表示方法和先进的计算机技术，由模糊推理进行判决的一种高级控制策略。,4,2.模糊逻辑的基本原理,（1）模糊集合及其隶属函数 所谓集合是指具有某种特定属性的对象的全体。模糊集合中的元素属于该集合的程度，可在01之间连续变化，并以“隶属度”来表示。模糊集合的特征函数称为该集合的“隶属函数”。,5,（2）精确量的模糊化方法 精确输入量的模糊化方法如下： 首先，根据系统的实际输入值与设
3、定值相比较的偏差值以及偏差的变化率来决定系统的精确输入值；然后，把精确的输入量转换成模糊集合的隶属函数，并在选定区间内对连续量进行离散化。,6,（3）模糊控制规则的形成 根据有经验的操作人员或专家的知识和经验，制定出若干个模糊逻辑控制规则，并加以形式化数字处理后，存入计算机，就可得到模糊控制规则。 根据模糊集合和模糊关系理论，对于不同的模糊规则，可以用不同的模糊推理方法。 （4）解模糊方法 从经过模糊推理得到的模糊集合中，取出一个相对最能代表这个模糊集合的单值的过程，称作解模糊。,7,3.模糊控制系统基本结构,8,4.模糊控制器的设计,模糊控制器的设计步骤如下： （1）选择合理的模糊控制器结构
4、 （2）确定模糊控制规则 选定描述控制器输入和输出变量的语言词汇 确定模糊集 确定模糊控制表 （3）确定模糊化和解模糊策略，制定控制表 （4）确定模糊控制器的参数,9,9.2.2 模糊逻辑工具箱及其应用,1GUI工具,（1）模糊推理系统编辑器（FIS Editor）,10,（3）模糊规则编辑器（Rule Editor）,11,（4）模糊规则观察器（Rule Viewer）,12,（5）输出曲面观察器（Surface Viewer）,13,2命令行工作方式,用户除可以利用GUI工具建立模糊控制系统外，还可以通过命令行工作方式来使用模糊逻辑工具箱。,14,3模糊控制器与Simulink的连接,将模
5、糊系统嵌入Simulink中的步骤如下： （1）载入模糊推理系统 （2）打开Simulink模型 新建一个Simulink仿真模型，将Fuzzy Logic Controller或Fuzzy Logic Controller with Ruleviewer模块拖到模型中。双击其图标，出现图9-10所示的对话框。 在FIS File to structure文本框中输入模糊推理系统的名称，单击“OK”按钮，则将工作区中的FIS结构与模糊控制器连接起来。,15,9.3 神经网络控制系统设计与仿真,9.4.1 神经网络概述,1神经网络的产生与发展,人工神经网络（Artificial Neural N
6、etwork，简称ANN）是由大量简单的处理单元组成的非线性、自适应、自组织系统，它是在现代神经科学研究成果的基础上，试图通过模拟人类神经系统对信息进行加工、记忆和处理的方式，设计出一种具有人脑风格的信息处理系统。,16,2. 神经网络的特点,神经网络是由大量的神经元广泛互连而成的系统，它的这一结构特点决定着神经网络具有高速信息处理的能力。由于神经网络中神经元个数众多以及整个网络存储信息容量的巨大，使得它具有很强的不确定性信息处理能力。即使输入信息不完全、不准确或模糊不清，神经网络仍然能够联想存在于记忆中的事物的完整图像,17,3. 神经网络的学习规则, 有导师学习 有导师学习不但需要学习用的
7、输入事例(也称训练样本，通常为一矢量)，同时还需要与之对应的表示所需期望输出的目标矢量。进行学习时，首先计算一个输入矢量的网络输出，然后和相应的目标输出比较，比较结果的误差用来按规定的算法改变加权。,18, 无导师学习 无导师学习不要求有目标矢量，网络通过自身的“经历”来学会某种功能，在学习时，关键不在于网络实际输出怎样与外部的期望输出相一致，而在于调整权重以反映学习样本的分布，因此，整个训练过程实质是抽取训练样本集的统计特性。,19,9.3.2 BP 神经网络,1. BP 神经网络的结构,20,2BP 神经网络的学习算法,反向传播法的基本思路: 从实际输出与标准输出之间的方差出发，沿网络内信
8、号传输的相反方向逐层推算出每一层输出的相应偏差，据此调查各层单元间的联结权值及每个单元的阈值，经一系列样本数据的训练，使网络趋向稳定，达到所要求的性能。,21,3. BP网络的不足与改进,（1）BP网络的不足 训练次数多，使得学习效率低，收敛速度慢，需要较长的训练时间。 完全不能训练。 形成局部极小而得不到全局最优。 网络隐含层的层数和神经元数的选择尚无理论上的指导，一般根据经验或者通过反复实验确定。 网络的学习和记忆具有不稳定性，如果增加了学习样本，训练好的网络就需要从头开始重新训练，对于以前的权值和阈值是没有记忆的。,22,（2）BP网络的改进 引入动量项 为了提高网络的训练速度，在权值调
9、整公式中增加一动量项，动量项反映了以前积累的调整经验，对于k时刻的调整能起到阻尼作用。当误差曲面出现骤然起伏时，可减少振荡趋势，提高训练速度。 变步长法 变步长法的思想为：当连续两次迭代其梯度方向相同时，表明下降太慢，这时可使步长加倍；当连续两次迭代其梯度方向相反时，表明下降过头，这时可使步长减半。,23,4.网络结构的设计,（1）确定输入、输出神经元个数 （2）确定隐含层数和隐含层神经元个数 （3）初始权值的选取 （4）学习速率的选取 （5）期望误差的选取,24,5.神经网络的训练,（1）收集和整理样本数据 采用BP神经网络方法建模的首要和前提条件是有足够多典型性好和精度高的样本。而且，为监
10、控训练过程使之不发生“过拟合”和评价建立的网络模型的性能和泛化能力，必须将收集到的数据随机分成训练样本、检验样本和测试样本3部分。 （2）神经网络训练 BP网络的训练是应用误差反传原理，不断调整网络权值，使网络模型输出值与已知训练样本输出值之间的误差平方和达到最小或小于某一期望值。,25,9.3.3 神经网络工具箱及其应用,1图形用户界面GUI,“Create New Data”窗口,26,“Create New Network”窗口,27,“Imput or Load to Network/Data Manager”窗口,28,网络初始值设定窗口,29,网络仿真参数设置窗口,30,网络训练参数设置窗口,31,训练参数设置窗口,32,网络自适应训练参数设置窗口,33,2.命令行工作方式,用户除了可以利用GUI工具建立和仿真神经网络外，还可以通过命令行工作方式来设计神经网络，MATLAB神经网络工具箱提供了对应的函数，用于完成神经网络设计任务。图9-5列出了一些主要的工具函数及其功能。,34,本 章 结 束,
