智能控制基础第五章.ppt

北京邮电大学信息工程学院 　　　　　　第五章 神经网络控制 根据神经网络在控制器中的作用不同，神经网络在控制系统设计中的应用一般分为两类：1）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；2）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。 神经网络控制的结构和种类划分，根据不同观点可以有不同的形式，目前尚无统一的分类标准。这里我们简单的看一下如下的几类控制器。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。结构图如下。 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，如下所示。 3）自适应网络控制器自适应控制技术包括模型参考自适应控制和自校正控制。自适应控制系统要求控制器能够随着系统环境和参数的变化而对控制器进行调节以达到最优控制的特性。它具有三大要素：1.在线、实时地了解对象；2. 有可调环节；3.能使系统性能达到要求和最优。神经网络控制器完全满足自适应控制系统的三大要素；自适应网络控制器可分为：直接自适应网络控制结构和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。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。 （一）神经网络的模型参考自适应控制模型参考自适应控制的任务是确定控制信号 使得相同参考输入下对象的输出　　与参考模型的输出　　　之差不超过给定的范围。用公式表示为基于神经网络的模型参考自适应控制结构框图如下所示。图中，TDL表示时滞环节，其作用是将当前时刻的信号进行若干延迟。神经网络　是对非线性被控对象进行在线辨识，其目的是利用一定数量的系统输入输出数据来预报下一步系统的输出 。其为神经间接模型参考自适应控制系统。 　　　　　　　　　　 （二）神经网络的自校正控制 不失一般性，假定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　　　　　进行离线辨识，得到具有足够逼近精度的估计值　　　　　，则常规控制律可直接给出为其中　　　　　时刻的期望输出值。 4）神经内模控制结构5）前馈控制结构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　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。 3 非线性动态系统的神经网络辨识3.1 神经网络的辨识基础辨识是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。辨识具有三个基本要素：1）输入/输出数据指能够量测到的系统的输入/输出。2）模型类指所考虑的系统的结构。3）等价准则指辨识的优化目标。从实用的观点看，辨识就是从一组模型中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际系统的动态或静态特性。 下图给出了常见的辨识结构。神经网络辨识就是从神经网络模型中选择一个模型来逼近实际系统模型。　 1、模型的选择在建立实际系统中的模型时，存在着精确性和复杂性这一对矛盾。在神经网络中辨识这一问题上主要表现为网络隐含层数的选择和隐含层内节点的选择。2、输入信号的选择在辨识过程中要求输入信号持续激励系统。即充分激励系统的所有模态。通常可选白噪声（是一种功率频谱密度为常数的随机信号或随机过程。由于白光是由各种频率（颜色）的单色光混合而成，因而此信号的这种具有平坦功率谱的性质被称作是“白色的”）和伪随机信号作为系统的输入信号。3、误差准则的选择衡量模型接近实际系统程度的标准，记作 　是误差矢量　 的函数，可为平方函数，则这里误差　　指的是广义误差，既可以表示输出误差又可以表示输入误差或是两种误差函数的合成。神经网络辨识五大特点：1）神经网络本质上已作为一种辨识模型，其可调参数反映在网络内部的权值上。2）可以对本质的非线性系统进行辨识。网络内部隐含着系统的特性，辨识是通过网络外部输入/输出来拟合系统的输入/输出。3）辨识的收敛速度不依赖于辨识系统的维数，只与神经网络本身所采用的学习算法有关。 4）神经网络具有大量的连接，这些连接权值在辨识中对应着模型参数。通过调节这些权值使网络