智能控制课件_第9章解读.ppt

9.2.3 神经网络自适应控制 与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。 式中， 为学习速率， 为神经元的比例系数， 。 值的选择非常重要。 越大，则快速性越好，但超调量大，甚至可能使系统不稳定。当被控对象时延增大时， 值必须减少，以保证系统稳定。 值选择过小，会使系统的快速性变差。 输入指令为一方波信号 采样时间为1ms，采用单神经元自适应控制律进行控制。 仿真程序：chap9_1.m 9.3.2 仿真实例 被控对象为 9.4 RBF网络监督控制 9.4.1 RBF网络监督控制算法 基于RBF网络的监督控制系统结构如图9-14所示。 图9-14 神经网络监督控制 在RBF网络结构中，取网络的输入为 ， 网络的径向基向量为 ， 为高斯基函数： 其中 ， 为节点 的基宽度参数， ， 为网络第个结点的中心矢量， ， 。 网络的权向量为： RBF网络的输出为： 　 　 其中 为RBF网络隐层神经元的个数。 控制律为： 设神经网络调整的性能指标为： 采用梯度下降法调整网络的权值： 近似地取 由此所产生的不精确通过权值调节来补偿。 神经网络权值的调整过程为： 其中 为学习速率， 为动量因子。 则 9.4.2 仿真实例 ? 被控对象为： RBF网络监督控制程序为chap9_2.m 9.5 RBF网络自校正控制 9.5.1 神经网络自校正控制原理 自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。 神经间接自校正控制结构如图9-17所示，它由两个回路组成： （1）自校正控制器与被控对象构成的反馈回路。 （2）神经网络辩识器与控制器设计，以得到控制器的参数。 辩识器与自校正控制器的在线设计是自校正控制实现的关键。 图9-17 神经网络间接自校正控制框图 控制器设计 神 经 网 络 辩 识 器 自校正 控 制 器 被 控 对 象 * 第9章 神经网络控制 9.1 概述 神经网络是一种具有高度非线性的连续时间动力系统，它有着很强的自学习功能和对非线性系统的强大映射能力，已广泛应用于复杂对象的控制中。神经网络所具有的大规模并行性、冗余性、容错性、本质的非线性及自组织、自学习、自适应能力，给不断面临挑战的控制理论带来生机。 从控制角度来看，神经网络用于控制的优越性主要表现为： （1）神经网络可是处理那些难以用模型或规则描述的对象； （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； （3）神经网络在本质上是非线性系统，可以实现任意非线性映射。神经网络在非线性控制系统中具有很大的发展前途； （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，能够很好地解决输入信息之间的互补性和冗余性问题； （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，为神经网络在控制中的应用开辟了广阔的前景。 神经网络控制所取得的进展为： (1)?基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，建立线性、非线性系统的静态、动态、逆动态及预测模型； (2)?神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性； (3)??神经网络与其他算法相结合：神经网络与专家系统、模糊逻辑、遗传算法等相结合可构成新型控制器； (4)?优化计算：在常规控制系统的设计中，常遇到求解约束优化问题，神经网络为这类问题提供了有效的途径； (5)?控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。 神经网络控制在理论和实践上，以下问题是研究的重点： (1)?神经网络的稳定性与收敛性问题； (2)?神经网络控制系统的稳定性与收敛