第6章先进控制策略分解.ppt

6.2 神经网络控制 例6.10 应用两层BP网络来完成函数逼近的任务，其中隐层的神经元个数选为5。网络结构如下图所示。 两层BP网络 解：首先定义输入样本和目标矢量 P=-1:0.1:1; T=[-.9602 -.5770. –.0729 .3771 .6405 .6600 .4609 … .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 … .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201]; 上述数据的图形如下图所示。 利用函数newff建立一个bp神经网络，然后利用函数train对网络进行训练。 样本数据对 训练结果和误差 相应的Matlab程序如下： P = -1:.1:1; T = [-.9602 -.5770 -.0729 .3771 .6405 .6600 .4609 ... .1336 -.2013 -.4344 -.5000 -.3930 -.1647 .0988 ... .3072 .3960 .3449 .1816 -.0312 -.2189 -.3201]; plot(P,T,+); net=newff(minmax(P),[5 1],{tansig purelin},traingd,learngd,sse); net.trainParam.epochs=1000; net.trainParam.show=10; net.trainParam.goal=0.01; net.trainParam.lr=0.01; net = train(net,P,T); Y= sim(net,P); figure plot(P,T,+,P,Y) 神经网络的应用 1. 神经网络监督控制 2. 神经网络直接逆控制 3. 神经网络自适应控制 4. 神经网络内模控制 5. 神经网络自适应评价控制 6.3.1 最优控制 6.3.2 自适应控制 6.3.3 鲁棒控制 6.3.4 预测控制 6.3.5 非线性控制理论的发展 6.3.6专家系统 * * 6.1.6 模糊控制器的组成 去模糊化 通过模糊推理得到的结论仍然是模糊量，要进行现场控制必须经过去模糊化得到精确量。去模糊化通常有以下几种方法： (1)最大隶属度法 最大隶属度法是指选取模糊推理结论中隶属度最大的线段的中点，以其横坐标值作为去模糊化的精确量。这种方法最简单、易行、实时性好，但它包含的信息量较少。 例如，若模糊推理的结论为 则按最大隶属度法应取执行量为u=3。 又如，若模糊推理的结论为 则按最大隶属度法取执行量为u=(3+4)/2=3.5。 (2)加权平均法 加权平均法的输出控制量按下式计算，它类似于重心的计算，也称重心法。 例如，若 则可计算出控制量u为 6.1.8 基于Matlab的模糊控制系统设计 已知某温度被控对象数学模型如下： 现代计算机有很强的计算和信息处理能力，但是计算机对于在复杂环境中做出决策、模式识别和感知等问题的处理能力远不如人，计算机只能按人们事先编好的程序机械地执行，缺乏向环境学习、适应的能力。人脑在这些方面的能力远远超过了计算机。现代计算机中每个电子元件的计算速度为纳秒(ns)级，人脑中神经细胞的反映时间只是毫秒(ms)，但是人脑在结构上和信息处理方式上表现出卓越的优越性。 1.生物神经元模型 一个生物神经元模型的示意图如下图所示。 人的大脑大约由1012个神经元构成，神经元互相连接成神经网络。大脑皮层由许多功能区组成（运动、听觉、视觉等），大约分成1000种类型，每个神经元大约与102～104个其它神经元连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式。 生物神经元作为控制和处理信息的基本单元，具有下列一些重要的功能和特性。 (1)时空整合功能：神经元对于不同时间通过同一突触传入的神经冲动，具有时间整合功能；对于同一时间通过不同突触传入的神经冲动，具有空间整合功能。两种功能相互结合，具有时空整合的输入信息处理功能。所谓整合是指抑制或兴奋的受体电位或突触电位的代数和，即时间与空间的累加。 (2)兴奋与抑制状态：当传入冲动的时空整合结果使细胞膜电位升高，超过动作电位的阀值时，细胞进入兴奋状态，此时会产生神经冲动，由轴突输出；当传入冲动的时空整合结果是膜电