神经网络控制及应用辨识与控制.ppt

感谢大家观看第63页,共63页，星期六，2024年，5月*智能控制的思路是模仿人的智能行为进行控制，人作出控制决策时凭借的不是数学模型而是经验，而这些经验是经过“行动—评价—改进行动方案—再行动”的多次反复才能获得的，再励学习控制就是模仿人的这种学习方式而提出的。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.7再励学习控制系统结构第31页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制设被控对象为1.神经网络辨识器的设计,(3-92)第32页,共63页，星期六，2024年，5月*第33页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制1.神经网络辨识器的设计第34页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制1.神经网络辨识器的设计第35页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第36页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第37页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第38页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第39页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第40页,共63页，星期六，2024年，5月*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第41页,共63页，星期六，2024年，5月*例:设被控对象的近似数学模型为：神经网络的结构为4-5-3，学习速率为=0.28，惯性系数=0.04，加权系数初始值取[-0.5,0.5]上的随机数。输入信号分为两种：（1）（2）第42页,共63页，星期六，2024年，5月*第43页,共63页，星期六，2024年，5月*clearall;closeall;xite=0.20;alfa=0.05;S=2;%SignaltypeIN=4;H=5;Out=3;%NNStructureifS==1%StepSignalwi=[-0.6394-0.2696-0.3756-0.7023;-0.8603-0.2013-0.5024-0.2596;-1.07490.5543-1.6820-0.5437;-0.3625-0.0724-0.6463-0.2859;0.14250.0279-0.5406-0.7660];%wi=0.50*rands(H,IN);wi_1=wi;wi_2=wi;wi_3=wi;wo=[0.75760.26160.5820-0.1416-0.1325;-0.11460.29490.83520.22050.4508;0.72010.45660.76720.49620.3632];%wo=0.50*rands(Out,H);wo_1=wo;wo_2=wo;wo_3=wo;end第44页,共63页，星期六，2024年，5月*ifS==2%SineSignalwi=[-0.28460.2193-0.5097-1.0668;-0.7484-0.1210-0.47080.0988;-0.71760.8297-1.60000.2049;-0.08580.1925-0.63460.0347;0.43580.2369-0.4564-0.1324];%wi=0.50*rands(H,IN);wi_1=wi;w