智能控制--神经网络控制.ppt

3.8.2 直接神经网络控制器的设计 解： 构造神经网络结构为5-25-12-1型；直接神经网络控制器的系统结构图为： 输出单元线性激励，其余层单元Sigmoid型激励； 非线性 系统 100个周期的学习后，均方误差小于0.005 仿真结果： 3.8.3 多神经网络自学习控制器的设计 … … 对 象 … … 根据前面的工作原理和学习算法，可以得到仿真结果为 100个周期的学习效果，误差1% 思考与习题 神经元的种类有哪些？其输入输出间的函数关系如何？ 神经网络按连接的拓扑结构和信息流向分别应该如何分类？简述每一类型的特征。 如何理解有导师学习与无导师学习？ 如何理解神经网络的泛化能力？ 基本BP算法的思想是什么？训练样本的流程如何？主要优点和缺点是什么？ 动态Hopfield网络处理问题的重点是什么？简述DHNN网络用于联想记忆时的两个阶段及其任务？ 神经网络控制的研究领域包括哪些？ 神经网络辨识的两种基本情况是什么？对于一个给定的未知系统，如何选择神经网络进行建模？ 神经网络控制器有导师学习的重点是什么？ 结合神经网络控制在线学习方法的结构图，论述在线学习的思想和系统应满足的条件。 结合多神经网络自学习控制器的结构图，说明多神经网络自学习控制系统的基本思想、原理和特点。 * 神经网络辨识的特点(与传统辨识方法相比) 神经网络本身作为一种辨识模型，其可调参数反映在网络内部的极值上，无需建立实际系统的辨识格式。 借助网络外部的输入/输出数据拟合系统的输入/输出关系，可对本质非线性系统进行辨识。(网络内部隐含着系统的特性) 辨识的收敛速度不依赖于被辨识系统的维数，只与神经网络本身所采用的学习算法有关。 神经网络具有大量的连接，连接权值构成神经网络模型的参数，通过调节这些权值使网络输出逼近系统输出。 神经网络作为实际系统的辨识模型，构成系统的一个物理实现，可用于在线控制。 3.6.2 非线性静态系统的神经网络辨识 非线性动态系统的神经网络辨识 动态系统神经网络辨识的两类网络导致两种辨识模型： 神经网络辨识模型 神经网络辨识模型 模型③的动态系统 + - + + TDL TDL … 选取具体结构为1-6-2-1型，则利用上面的学习算法可得到仿真结果为 若使用一个神经网络，结构为2-20-10-1型，仿真结果为 150次迭代，误差达0.0133 300次迭代，误差达23.06 神经网络控制的学习机制 神经网络控制器的特殊性： 控制器的样本信息通常无法预先知道(如：控制器的期望输出通常是系统的最佳控制量，一般无法通过测量获得)。 解决控制器的学习问题是关键。 神经网络控制器的学习： 就是寻找一种有效的途径进行网络连接权阵或网络结构的修改，从而使得网络控制器输出的控制信号能够保证系统输出跟随系统的期望输出。 神经网络控制器的学习类别 (1) 监督式学习(有导师指导下的控制网络学习) 外界提供适当形式的导师信号，学习系统根据导师信号与相对应的实际输出量之差调节网络参数。 离线学习法 在线学习法 反馈误差学习法 多网络学习法 (2) 增强式学习(通过某一评价函数指定下的学习) 无导师信号，按照环境所提供数据的某些规则或适当的评价函数调节网络参数。 (2) 再励学习(强化学习) 介于上述两种情况之间，外部环境只对输出结果给出评价，而不给出具体答案，学习系统通过强化那些受奖励的动作来改善自身的性能。 离线学习 对一批实现给定的系统输入输出样本数据进行离线学习，建立系统的一个逆模型，然后用此逆模型进行在线控制。 非线性系统 神经网络控制器 离线学习(建模) 在线控制 适合静态环境 非线性系统 神经网络逆模型 + - 非线性系统 + - 固定增益控制器 非线性系统 + + + - 前向建模多神经网络学习 非线性系统 + - + - 非线性系统 + - 逆向建模多神经网络学习 3.8 神经网络控制器的设计 直接逆模型神经网络控制器的设计 直接神经网络控制器的设计 多神经网络自学习控制器的设计 3.8.1 直接逆模型神经网络控制器的设计 神经网络逆 模型辨识 … … 对 象 建立逆模型时神经网络的训练示意图 神经网络 … … 对 象 神经网络控制器 直接逆模型网络控制器的控制系统结构示意图 (运行于静态参数环境) 神经网络控制 神经网络控制的优越性 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。 神经网络采用并行分布式信息处理，具有很强的容错性。 神经网络是本质非线性系统，可实现任意非线性映射。 神经网络具有很强的信息综合能力，能同时处理大量不同类型的输入，并能很好解决输入信息之间的互补性和冗余性问题。 神经网络的硬件实现愈趋方便。 神经网络控制的研究领域 基于神经网络