现代控制工程-第13章神经网络控制讲解.ppt

第13章 神经网络控制;第13章 神经网络控制;第13章 神经网络控制;基于神经网络的控制或以神经网络为基础构成的神经网络控制系统，称为神经网络控制（neural control）。 神经网络控制是近年来智能控制的一个非常活跃的研究领域。神经网络控制主要是将神经网络作为控制系统中的控制器与（或）辨识器，主要是为了解决复杂的非线性、不确定性系统在不确定性环境中的控制问题，使控制系统稳定、鲁棒性好，具有要求的动态和静态性能。;神经网络控制的优越性主要有： （1）神经网络可以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，容易应用于非线性控制系统； （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。;13.2 神经元与神经网络;神经网络（neural networks，NN）;13.2.1 生物神经元的结构;13.2.1 生物神经元的结构;13.2 神经元与神经网络;13.2.2 神经元数学模型;; 线性环节的传递函数： ：1； ； ； 及其组合等。 ;13.2.2 神经元数学模型;13.2.2 神经元数学模型;13.2.2 神经元数学模型;;13.2.3 神经网络的结构与工作方式; 1. 神经网络的结构 （1）前馈型（ 前向型） ; 1. 神经网络的结构 （2）反馈型; 2. 神经网络的工作方式 ;神经网络的学习是指调整神经网络的连接权值或者结构，使输入输出具有需要的特性。 Hebb学习规则：当某一突触两端的神经元同时处于兴奋状态，那么该连接的权值应该增强。用数学方式描述调整权值的方法为 ; 探索时期（开始于20世纪40年代）： ; 1958年，罗森布拉特（F. Rosenblatt）提出感知器模型（perceptron）。 1959年，威德罗(B. Widrow)等提出自适应线性元件（adaline）网络，通过训练后可用于抵消通信中的回波和噪声。 1960年， 他和 M. Hoff 提出LMS （Least Mean Square 最小方差）算法的学习规则。; 1969年，明斯基（M. Minsky）等在《Perceptron》中对感知器功能得出悲观结论。 1972年，T. Kohonen 和 J. Anderson 分别提出能完成记忆的新型神经网络。 1976年，S. Grossberg 在自组织神经网络方面的研究十分活跃。 ; 第二次热潮时期： 20世纪80年代至今 ; 神经网络控制的研究领域 ;13.3 BP神经网络及其学习算法;13.3.1 BP神经网络的结构;13.3.1 BP神经网络的结构;13.3.1 BP神经网络的结构;（1）是否存在一个BP神经网络能够逼近给定的样本或者函数。 ;13.3.2 BP学习算法;13.3.2 BP学习算法;13.3.2 BP学习算法;13.3.2 BP学习算法;13.3.3 BP算法的实现;13.3.3 BP算法的实现;13.3.3 BP算法的实现;13.3.3 BP算法的实现; 1. 特点; 2. BP网络的主要优缺点 ;13.4 基于神经网络的系统辨识方法;13.4.1 前向模型辨识;;13.4 基于神经网络的系统辨识方法;13.5 基于神经网络的软测量方法;软测量系统的设计： 辅助变量的选择：变量类型、变量数量和检测点位置的选择。 数据采集与处理。 软测量模型的建立：通过辅助变量来获得对主导变量的最佳估计。 ;序批式活性污泥法（SBR）;BOD、COD、N和P：为软测量模型的主导变量。 ORP、DO、PH和MLSS：辅助变量。 三层BP网络： ;;13.6.1 神经网络控制器;13.6.2 神经网络预测控制;13.6.3 神经网络模型参考控制;13.6.4 神经网络内模控制;13.7 单神经元控制器;;直流调速系统??单神经元控制器;直流调速系统的单神经元控制器; 3.单神经元直流调速系统参数设计;直流调速系统的单神经元控制器; THE END