第五章：神经网络控制论.ppt

　　　　　　第五章：神经网络控制论　第一节　引言一、神经网络控制的优越性　神经网络的智能处理能力及控制系统所面临的愈来愈严重的挑战是神经网络控制的发展动力。由于神经网络本身具备传统的控制手段无法实现的一些优点和特征，使得神经网络控制器的研究迅速发展。从控制角度看，神经网络用于控制的优越性主要表现为：　1）神经网络可以处理那些难以用模型或规则描述的过程或系统。　用神经网络理论来研究和模仿人类的活动是相当有潜力的。（如骑车问题是无法建模的，但人处理此问题相当出色）。　2）神经网络采用并行分布式信息处理方式，具有很强的容错性。在处理实时性要求高的系统也显示出极大的优越性。　3）神经网络是本质的非线性系统。它可以实现任何非线性映射。而在非线性系统的控制中有很大前途。 　4）神经网络具有很强的信息综合能力。它能够同时处理大 量不同类型的输入。利用此功能人们可以有效地进行信息的融合。　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神经网络的硬件实现提供了技术手段。二、神经网络控制器分类　神经网络控制系统设计中的应用一般分为两类，一类称神经控制，它是以神经网络为基础而形成的独立智能控制系统；另一类称为混合神经网络控制，它代表着那些利用神经网络学习和优化能力来改善传统控制的现代控制方法。如自适应神经控制等。目前神经控制器的分类还存在较大的争议，还没有一个统一的分类法。综合目前各国专家的分类法，我们将一些典型的神经网络的控制结构和学习方式归结为以下七类。（1）导师指导下的控制器　这种神经网络控制结构的学习样本直接取自于专家的控制经验。神经网络的输入信号来自传感器的信息和命令信号。神经网络的输出就是系统的控制信号。结构示意图如图5-1所 示。  　　　　图5-1　导师指导下的神经控制结构图　一旦神经网络的训练达到能够充分描述人的控制行为，则网络训练结束。神经网络器就可投入实际系统控制中。　（2）逆控制器。如果一个动力学系统可以用一个逆动力学函数来表示，则采用简单的控制结构和方式是可能的。如下所示。　　　　　　　　　　　　　　图5-2　逆控制器的结构图 神经网络的训练器目的就是为了逼近此系统的逆动力学模型。神经网络接受系统被控状态信息，神经网络的输出与该被控制系统的控制信号之差作为调整神经网络权系数的校正信号，并可利常规的BP学习算法（当然改进的算法更佳）来进行控制网络的训练。这样一旦训练成，即要实现期望的控制输出只要将此信息加到神经网络的输入端就可以了。　（3）自适应网络控制器　下图给出了自适应网络控制器的系统结构。在这里，将控制误差　（实际系统的输出与参考模型的输出之差）反馈到控制器中去并利用它对控制器特性进行修正最终使其误差趋于极小。 自适应网络控制器有两个控制结构；一是直接自适应网络控制结构；二是间接自适应网络控制结构。直接自适应网络控制结构是将系统误差信号　直接用于神经控制器的自适应调整。但目前还没有一种可行的方法来解决未知动力学模型的控制问题。间接自适应网络控制结构利用神经网络辨识器和神经网络控制器代替经典控制结构中的辨识模型和控制器，使得系统的学习和控制能够实现。　（4）神经内模控制结构　在这种控制结构中，在反馈回路中直接使用系统的前向模型和逆模型。如下图所示。 　图5-4　神经网络内模控制结构图 在内模控制结构中，与实际系统并行的网络模型一并建立，系统实际输出与模型　的输出信号差用于反馈的目。这个反馈信号通过前向通道上的控制子系统　预处理，通常　是一个滤波器，用于提高系统的鲁棒性。系统模型　和　由神经网络来实现。　（5）前馈控制结构　这种结构是基于鲁棒性问题而提出来的。通常单纯的求逆控制结构不能很好地起到抗干扰能力，因此，结合反馈控制的思想组成前馈补偿器的网络控制结构　　　　　　　图5-5　前馈补偿控制结构图　反馈控制的目在在于提高抗随机扰动的能力，而控制器的主要成分，特别是非线性成分将由网络控制器完成。这种控制器设计的主要困难是如何找到一种有效的学习方法实现对系统模型未知条件下网络控制在线学习。 　 （6）自适应评价网络　整个学习系统由一个相关的搜索单元和一个自适应评价单元组成。在这个算法中，相关搜索单元是作用网络，自适应评价单元为评价网络。它不需要控制系统数学模型，只是通过对某一指标准则的处理和分析得到奖励或惩罚信号。　（7）混合控制系统　是由神经网络技术与模糊控制、专家系统等结合形成的一种具有很强学习能力的智能控制系统，它集人工智能各分支的优点，使系统同时具有学习、推理和决策能力成为智能控制的最新发展方向。三、神经网络的逼近能力　在研究控制系统的神经网络辨识和控制时，首先要