智能控制 第7章 神经网络控制.ppt

第7章 神经网络控制 神经控制定义 神经网络控制——将神经网络在相应的控制系统结构中当做控制器或辨识器。 7.1引言 神经网络——高度非线性的连续时间动力系统，具有很强的自学习能力和对非线性系统的强大的映射能力，广泛应用于控制系统。 神经网络的智能处理能力及控制系统所面临的越来越严重的挑战是神经网络控制的发展动力 神经网络用于控制的优越性： 能处理难以用模型或规则描述的对象 并行分布处理方式具有很强的容错性 可实现任意非线性映射 很强的信息综合能力，能同时处理大量不同类型的输入，很好解决输入信息间互补和冗余 硬件实现愈趋方便 神经网络控制进展 基于模型的各种控制结构 控制器 优化计算 研究重点 神经网络稳定性与收敛性 神经网络控制系统稳定性与收敛性 神经网络学习算法实时性 神经网络控制器和辨识器的模型和结构 神经控制的基本原理 传统控制模式——根据被控对象的数学模型及对控制系统要求的性能指标设计控制器，并对控制规律加以数学解析描述。 模糊控制模式——基于专家经验和领域知识总结模糊控制规则——显式表达知识 神经控制——不善于显式表达知识 ——具有很强的逼近非线性函数能力（非线性映射能力） 神经控制的基本原理 控制系统的目的——通过确定适当的控制量输入，使得系统获得期望的输出特性。 当f(·)=g-1(·)时满足y=yd的要求。 由神经网络的学习算法实现这一求逆过程，就是神经网络实现直接控制的基本思想。 神经网络在控制中的主要作用 所谓神经网络控制即基于神经网络的控制或简称神经控制——在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算或进行推理或故障诊断，以及同时兼有上述某些功能的适应组合。 作用 1）基于精确模型的各种控制结构中充当对象的模型 2）在反馈控制系统中直接起控制器作用 3）在传统控制系统中起优化计算作用 4）与其他智能控制方法和优化算法合用。 使用场合 复杂的非线性、不确定、不确知系统在不确定、不确知环境中的控制问题 综合目前的各种分类方法，可将神经网络控制的结构归结为以下七类。 神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐取代传统控制器的方法 神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。 显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。 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。 神经网络预测控制的结构如图所示，神经网络预测器建立了非线性被控对象的预测模型，并可在线进行学习修正。 利用此预测模型，通过设计优化性能指标，利用非线性优化器可求出优化的控制作用 。 控制选择网络相当于一个在内部再励信号指导下进行学习的多层前馈神经网络控制器，该网络在进行学习后，根据编码后的系统状态，在允许控制集中选择下一步的控制作用。 下图为神经网络内模控制，被控对象的正向模型及控制器均由神经网络来实现。 神经网络直接模型参考自适应控制 （2）间接模型参考自适应控制 如图所示。神经网络辨识器NNI向神经网络控制器NNC提供对象的信息，用于控制器NNC的学习。 神经网络间接模型参考自适应控制 神经网络内模控制 经典的内模控制将被控系统的正向模型和逆模型直接加入反馈回路。 系统的正向模型作为被控对象的近似模型与实际对象并联，两者输出之差被用作反馈信号，该反馈信号又经过前向通道的滤波器及控制器进行处理。 控制器直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。 神经网络内模控制 ? 预测控制又称为基于模型的控制，是70年代后期发展起来的新型计算机控制方法，该方法的特征是预测模型、滚动优化和反馈校正。 神经网络预测控制 神经网络预测控制 ? 神经网络自适应评判控制通常由两个网络组成。 自适应评判