基于神经网络的系统辨识北京科技大学自动化学院.ppt

（5）在线逆模型辨识（模型还是例6的模型） 例6 用线性自适应神经元进行线性系统逆模型辨识 在线逆模型辨识（但是不能用M序列，可用正弦和随机数）证明在线难度大 （4）离线逆模型辨识： 输入u(k)循环周期Np=15的四阶M序列 程序名称 Bianshi_ADLINE_L_O.M（离线） 13.3 基于神经网络的系统辨识示例 Bianshi_ADLINE_Z_O.M（在线） 这里主要解决如下的几个问题： （1）神经控制的设计问题 （2）神经控制的集中结构及设计 （3）再励学习原理，再励学习与神经控制。 1）神经网络控制系统的设计与实现 （1）神经控制系统的一般结构 × 神经控制器 y(t) - T 保持器 对象或过程 传感器 u(t) T e(t) r(t) 13.4 基于神经网络的系统控制 (a)闭环确定性系统的ANN控制 对于该神经控制的设计，就是神经辨识器、控制器结构（包括动态神经网络种类、结构）的选择，很可能需经多次试探过程，在L2意义下，使准则函数： 13.4 基于神经网络的系统控制 (b)不确定、不确知系统的一般结构（这里是单位反馈） 2)神经自校正控制 神经自校正控制包括直接型（直接逆动态控制），间接型（就是常说的自校正控制）。 13.4 基于神经网络的系统控制 （1）神经网络直接自校正控制 此种控制结构要求对象可逆，其中ANNI和ANNC结构相同。学习算法也相同，输出y跟踪输入r的精度取决于逆模型的精度。另外，这种控制由于是开环控制，因此在实际工业生产应用的很少 (2)神经网络自校正控制结构 由两个回路组成：自校正控制器与被控对象构成的反馈回路，神经网络辨识器与控制器设计，以得到控制器的参数。需要在线设计与实现。 13.4 基于神经网络的系统控制 × Gc y(k) - 系统 u(k-1) r(k) 被控对象为： 式中，u,y分别为对象的输入、输出。g[],φ[]为非零函数，如果这两个均已知，根据确定性等价原则，控制器的控制算法为： 此时，控制系统的输出y(k)能精确地跟踪输入r(k)---系统期望输出。 13.4 基于神经网络的系统控制 如果g[],φ[]为未知，则通过在线训练神经网络辨识器，使其逐渐逼近被控对象，由辨识器的函数代替这两个函数，则控制器的输出为： 式中，Ng[], Nφ[]分别为组成辨识器的非线性动态神经网络 13.4 基于神经网络的系统控制 （3）神经网络辨识器 为使问题简化，考虑如下一阶被控对象： 网络辨识器由两个三层非线性DTNN实现，网络输入{y(k-1),u(k-1)},输出为： 式中W,V为权系数。图中L表示线性节点f()=x。H为非线性节点 13.4 基于神经网络的系统控制 因此，我们设定目标函数为 而取值的调整仍可采用BP算法 13.4 基于神经网络的系统控制 例7 被控对象具有非线性时变特性的神经网络自校正控制 仿真模型为： 仿真结果表明控制系统能有效地抑制扰动，且对被控对象的时变性，控制器能及时调整，表现为网络系值的调整，有自适应性 13.4 基于神经网络的系统控制 3）神经PID控制 神经PID控制结构中有两个神经网络：在线辨识器(ANNI)，自适应PID控制器（ANNC)。 原理：由ANNI在线辨识被控对象模型（正）的基础上，在线调整ANNC权系数，达到自适应控制目的。 13.4 基于神经网络的系统控制 在线辨识器ANNI 设计与实现 设被动对象为： g[]未知，采用串-并联结构由ANNI在线辨识。ANNI可采用BP网或CAMC或RBF网络。BP网络的输入为： 隐层为第i个节点的输出为： 13.4 基于神经网络的系统控制 设目标函数为： 网络权值调整算法为： 13.4 基于神经网络的系统控制 + 自适应线性神经元模型为： 其中每个适应性神经元的输入为： W1 × ∫e(t) W2 e(t) W3 13.4 基于神经网络的系统控制 + 自适应线性神经元模型为： 则ANNC网络权值调整算法为： 13.4 基于神经网络的系统控制 + 又由(1)-(6)可得： 13.4 基于神经网络的系统控制 + 例8，被控对象具有非线性特性，仿真模型为： 本例的神经网络辨识模型采用例7中的辨识模型，即BP网络: 控制器采用PD结构，即: 13.5 基于神经网络的系统控制示例 + 4）神经内模控制（IMC,Internal Model Control) 内模控制原理 系统由三部分组成：对象、内部模型、内模控制器，内模控制的基本结构如下图所示： 13.5 基于神经网络的系统控制示例 + 由结构图可知： 13.5 基于神经网络的系统控制示例 + 例9 用PID神经网络进行单变量非线性系统的控制 非线性系统模型为： 控制系统结构图为： 13.5 基于神经网络的