人工神经网络第四章ppt课件.ppt

《人工神经网络第四章ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、神经网络控制器设计4.1引言4.2监督学习NN控制器4.3NNMRAC（Model-ReferenceAdaptiveControl）4.4神经网络自校正控制（NNSTC）4.5NN直接自适应控制4.6NN-PID控制2021/8/312009NNC1引言NN在控制器设计中的几条路存在的几个问题本章简介2021/8/312009NNC2NN控制器几条路与已有控制结构的结合，如：NN自适应控制（NNMRAC、NNSTR：直接、间接）、NN-PID、NN-IMC（PC）与已有控制方法的结合，如：NN-Fuzzy控制、NN-expert控制NN特有的控制器设计方法，如：监督学习控制（SNC）、评价

2、学习控制器（ACE）、无模型的控制器设计方法（单个元的或网络的，即按误差调整的）2021/8/312009NNC3存在的几个问题缺乏一种专门适用于控制的动态神经网络（目前方法：静态网络处理动态问题，不可避免的带来差分方程定阶问题）稳定性、鲁棒型分析困难2021/8/312009NNC4本章简介学习控制（监督）NN自适应（MRAC和STR）NN-PIDNN-无模型控制(单个神经元)2021/8/312009NNC5监督学习NN控制器问题的提出SNC设计：控制系统结构思路实例2021/8/312009NNC6问题的提出当对象动力学特性未知时系统可控，人的知识如何传递给控制装置？解决思路：利用专家

3、控制、规则控制采用监督（导师）NN控制（SNC）2021/8/312009NNC7控制系统结构2021/8/312009NNC8思路弄清人在控制过程中利用了过程或人本身的何种信息构造NNC考虑问题：何种网络、结构（层数）参数、训练方法（实时性、收敛性）SNC的训练过程在人进行控制时，将控制信号及过程收集起来以此为数据,训练可以是离线的也可以是在线的，即人一边控制NNC一边学习。训练结束后，网络实现了以参考信号及以往控制轴上y为网络输入，当前控制u为网络输出的I/O映射，即可实现正确控制。2021/8/312009NNC9小车倒立摆系统的控制示意图数学model：令为小车位置、速度、杆角度、角

4、速度3.NN控制器2021/8/312009NNC10小车－倒立摆示意图2021/8/312009NNC11MxmLjNN控制器为四层BP网4-16-4-1结构，S型作用函数训练用数据：Ii,Z输出u(k)输出值控制区间仿真时用：导师为线性或非线性的控制律取M=1kg，m=0.1kg，f=5.1kg/s，g=9.81m/s22021/8/312009NNC12控制结果线性控制为状态反馈：训练20000次后NN可实现线性律K=[11.01，19.68，96.49，35.57]非线性：80000次反馈线性化及解耦变换人控制：40000次训练结束后，HSNC比人本身操作更好训练后，SNC还可继续在

5、线学习以适应新的扰动、取得新的控制策略样本、增强对系统的全面了解。2021/8/312009NNC13RBF网络监督控制实例基于RBF网络的监督控制系统结构如图5-142021/8/312009NNC14图5-14神经网络监督控制2021/8/312009NNC15在RBF网络结构中，取网络的输入为r(k)，网络的径向基向量为,hj为高斯基函数：其中bj节点j的基宽度参数，bj>0，为网络第个结点的中心矢量，，。2021/8/312009NNC16网络的权向量为：RBF网络的输出为：其中为RBF网络隐层神经元的个数。控制律为：2021/8/312009NNC17设神经网络调整的性能指标为：采

6、用梯度下降法调整网络的权值：近似地取由此所产生的不精确通过权值调节来补偿。2021/8/312009NNC18神经网络权值的调整过程为：其中为学习速率，为动量因子。则2021/8/312009NNC199.4.2仿真实例被控对象为：RBF网络监督控制程序为chap9_2.mNN-MRACMRAC的思路NNMRAC1）NN控制器2）控制框图3）例14）例22021/8/312009NNC20MRAC的思路一般控制系统可包含前馈和反馈控制器两种（前馈：由期望输出产生控制信号，反馈：由期望与实际之差产生控制信号）MRAC思路是给定期望响应的动态模型，利用期望与实际输出之差去改变调节器参数，使对象+

7、控制器形成的闭环系统对给定信号的响应与参考模型一致。当给定模型稳定时，闭环系统稳定并改善了动态响应。调节机构设计：可利用Lyapunov或Popov方法以保证闭环的稳定2021/8/312009NNC21一般控制系统框图2021/8/312009NNC22前馈控制器反馈控制器对象＋－NN控制器辨识+在线控制器设计（泛化学习），间接控制误差直接改变控制器参数（特定学习），直接控制泛化学习+自适应NNMRAC20