人工神经网络的系统辨识与自适应控制.ppt

Power Electronics Electrical Drive Lab. HIT. * 基于人工神经网络的系统辨识与控制 人工神经网络的概述 人工神经元模型 人工神经网络的结构 人工神经网络的学习 几种典型的人工神经网络 人工神经网络的辨识技术 人工神经网络辨识的基本原理 亚跨风洞马赫数控制系统的辨识 人工神经网络的控制技术 单神经元PID控制 基于BP神经网络的PID控制 人工神经网络的概述 1.1 人工神经元模型 生物神经元结构 人工神经网络的概述 1.1 人工神经元模型 三个基本要素： 1、连接权；2、求和单元；3、激活函数。 人工神经网络的概述 激活函数： 1、硬极限激活函数 2、线性激活函数 3、对数-S型激活函数 4、对称硬极限激活函数 5、饱和线性激活函数 6、双曲正切S型激活函数 7、正线性激活函数 …… 人工神经网络的概述 1.2 神经网络的结构 前馈型网络 反馈型网络 人工神经网络的概述 1.3 神经网络的学习 通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点，在一般情况下，性能的改善时按某种规定的度量调节自身参数（如权值）并随时间逐步达到的，学习方式（按环境所供信息的多少分）有以下三种： 有监督学习 无监督学习 强化学习 学习算法： δ学习规则（误差纠正规则） Hebb学习规则 竞争学习 人工神经网络的概述 1.4 几种典型的人工神经网络 感知机神经网络 BP（Back Propagation）神经网络 径向基（Radial Basis Function, RBF）神经网络 竞争学习神经网络 Hopfield神经网络 Boltzmann神经网络 …… 人工神经网络的概述 BP神经网络 隐含层和输出层的激活函数采用对数-S型激活函数 人工神经网络的概述 隐含层的第i个神经元在样本p作用下的输入为： 隐含层的第i个神经元的输出为： 输出层第k个神经元的总输入为： 输出层的第k个神经元的实际输出为： BP网络的前馈计算 人工神经网络的概述 BP网络权系数的调整规则 对于每一样本p的输入模式对的二次型误差函数为： BP学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值使网络总误差最小。 学习过程按使误差函数Jp减小最快的方向调整加权系数直到获得满意的加权系数为止。因此，权系数应按Jp函数梯度变化的反方向调整，使网络逐渐收敛。 输出层的神经元权系数修改公式： 隐含层的神经元权系数修改公式： 人工神经网络的概述 BP网络学习算法的计算步骤 初始化：置所有的加权系数为最小的随机数； 提供训练集：给出输入向量p和期望的输出向量t。 计算实际输出； 计算期望值与实际输出的误差； 调整输出层的加权系数； 调整隐含层的加权系数； 返回步骤（3），直到误差满足要求为止。 人工神经网络的辨识技术 系统辨识的原理就是通过调整辨识模型的结构来使e达到最小。 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=1/2e2作为网络训练的目标，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。 2.1 人工神经网络辨识的基本原理 人工神经网络的辨识技术 假设非线性对象的数学模型可以表示为： 其中f是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。 BP神经网络的系统辨识 人工神经网络的辨识技术 BP网络系统辨识原理图 人工神经网络的辨识技术 2.2 亚跨风洞马赫数控制系统的辨识 人工神经网络的辨识技术 亚跨声速风洞的控制对象的传递函数： 或 假设控制对象的二阶惯性加纯滞后的系统，则 为系统滞后时间， 为系统采样时间。观察所得实验数据，可知： 且 。因此 人工神经网络的辨识技术 MATLAB神经网络工具箱： newff( ) train( ) 建立网络函数 学习训练函数 net=newff(Xr,[S1 S2…SN1],{TF1 TF2…TFN1},BTF,BLF,PF) [net,tr]=train(NET,X,T,Pi,Ai) sim( ) 网络仿真函数 [Y,Xf,Af]=sim(net,X,Xi,Ai) …… 人工神经网络的辨识技术 模型仿真验证实验： Ma = 0.4 样本数据为：Ma = 0.4, 0.6, 0.7, 0.8, 0.9, 1.0 人工神经网络的辨识技术 模型仿真验证实验： Ma = 0.8 样本数据为：Ma = 0.4, 0.6, 0.7, 0.8, 0.9, 1.0 人工神经网络的辨识技术 模型仿真验证实验： Ma = 1