安徽建筑大学。智能控制。第四章.ppt

一般说来，神经网络用于控制有两种方式：一种是利用神经网络实现系统建模，有效地辨识系统；另一种就是将神经网络直接作为控制器使用，以取得满意的控制效果。 4.2 神经网络控制的结构 1、基于神经网络的系统辨识 （1）系统辨识的基本概念 L. A. Zadeh曾给辨识下过定义：“辨识就是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。” （1）系统辨识的基本概念 根据以上关于辨识的定义可知，辨识有三大要素： ①数据：能观测到的被辨识系统的输入/输出数据； ②模型类：待寻找模型的范围； ③等价准则：辨识的优化目标，用来衡量模型与实际系统的接近情况。 设一个离散非时变系统，其输入和输出分别为u(k)和y(k)，辨识问题可描述为寻求一个数学模型，使得模型的输出 与被辨识系统的输出y(k)之差满足规定的要求。 被辨识系统 辨识模型 系统辨识原理图 在进行辨识系统时要遵循以下几个基本原则： ① 输入信号的选择原则 为了能够辨识实际系统，对输入信号的最低要求是在辨识时间内系统的动态过程必须被输入信号持续激励，反映在频谱上，要求输入信号的频率必须足以覆盖系统的频谱，更进一步的要求是输入信号应能使给定问题的辨识模型精度足够高。 ② 模型的选择原则 模型只是在某种意义下对实际系统的一种近似描述，它的确定要兼顾其精确性和复杂性，一般选择能逼近原系统的最简模型。 其中，L为数据的长度，f(?)是e(k)的函数，一般选平方函数，即 根据图可知 由于e2(k)通常是关于模型参数的非线性函数。因此，在这种误差准则意义下，辨识问题可归结为非线性函数的最优化问题。 ③误差准则的选择原则 作为衡量模型是否接近实际系统的标准，误差准则通常表示为一个误差的泛函，记作 被辨识系统 辨识模型 （2）基于神经网络的系统辨识 正向模型辨识 所谓正向模型是指利用多层前馈神经网络，通过训练或学习，使其能够表达系统正向动力学特性的模型。下图给出了获得系统正向模型的网络结构示意图。其中神经网络与待辨识系统并联，两者的输出误差e被用作网络的训练信号。显然，这是一个典型的有监督学习问题，实际系统作为教师，向神经网络提供学习算法所需的期望输出。一般可选BP及其改进算法对网络进行训练。 动态系统 NN 正向模型 2. 逆模型辨识 （1）直接逆建模 直接逆建模也称为广义逆学习，其结构如图 动态系统 NN 从原理上说，这是一种最简单的方法。拟辨识动态系统的输出作为网络的输入，将网络输出与系统输入进行比较后的误差作为训练信号，因而网络将通过学习建立起拟辨识动态系统的逆模型。 （2）正–逆建模 正–逆建模也称为狭义逆学习，其结构如图 动态系统 NN 正向模型 此时待辨识对象的逆模型（NN）位于动态系统前面，并与之串联。网络的训练误差或者为系统期望输出yd(k)与系统实际输出y(k)之差，或者为系统期望输出yd(k)与已建神经网络正向模型的输出yN(k)之差，即 或 2、基于神经网络的控制 在现代控制系统中，随着工程研究的深入，控制理论所面临的问题日益复杂多变，主要表现在控制对象、控制任务的日益复杂化，系统的数学模型难以建立。神经网络由于其强大的非线性映射能力、自学习自适应能力、联想记忆能力、并行信息处理能力以及优良的容错能力，使得其非常适用于复杂系统的建模与控制，特别是当系统存在不确定因素时，更体现了神经网络方法的优越性，它使模型与控制的概念合二为一。 （1）基于神经网络控制的基本原理 神经网络用于控制的优越性主要表现在以下几个方面： ①采用并行分布信息处理方式，具有很强的容错性。 ②神经网络的本质是非线性映射，它可以逼近任意非线性函数。 ③通过对训练样本的学习，可以处理难以用模型或规则描述的过程和系统。 ④硬件实现发展迅速，为提高神经网络的应用开辟了广阔的前景。 神经网络自身所具有的自学习和自适应、自组织以及大规模并行信息处理等特点，使其在自动控制领域具有广阔的应用前景。 （Ⅰ）神经网络前馈控制的基本原理 一般反馈控制系统的原理图： 控制器 被控对象 神经网络 被控对象 采用神经网络作为前馈控制器的系统如图： 神经网络 被控对象 设被控对象的输入u和系统输出y之间满足如下非线性函数关系 控制的目的是确定最佳的控制量输入u，使系统的实际输出y等于期望的输出r。在该系统中，可把神经网络的功能看作输入输出的某种映射