智能控制导论IC_Ch5.ppt

智能控制导论 国家精品课程配套教材 蔡自兴 智能控制教学课件 第5章 神经控制 5.1 人工神经网络的初步知识 5.2 神经控制的结构方案 5.3 神经控制器的设计 5.4 小结 5.1 人工神经网络的初步知识 5.1.1 神经元及其特性 神经元模型 连接机制结构的基本处理单元与神经生理学类比往往称为神经元 每个构造起网络的神经元模型模拟一个生物神经元 5.1.2 神经网络与智能控制 神经网络特性 并行分布处理 非线性映射 通过训练进行学习 适应与集成 硬件实现 神经网络用于智能控制系统的潜力 神经网络因其学习和适应、自组织 函数逼近和大规模并行处理等能力 5.1.3 人工神经网络的基本类型和学习算法 人工神经网络的基本特性和结构 人工神经网络由神经元模型构成具有并行分布结构 每个神经元具有单一输出，能够与其它神经元连接 存在许多输出连接方法，每种对应一个连接权系数 人工神经网络是一种具有下列特性的有向图 对于每个节点i存在一个状态变量xi 从节点j至节点i，存在一个连接权系统数wij 对于每个节点i，存在一个阈值θi 对于每个节点i，定义一个变换函数 对于最一般的情况，此函数取 形式 5.1.3 人工神经网络的基本类型和学习算法 人工神经网络基本分为两类 即递归（反馈）网络 前馈网络 5.1.3 人工神经网络的基本类型和学习算法 人工神经网络的主要学习算法 有师学习 有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。 无师学习 无师学习算法不需要知道期望输出。 强化学习 强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度（质量因数） 5.1.4 人工神经网络的典型模型 自适应谐振理论（ART） 双向联想存储器（BAM） Boltzmann机（BM） 反向传播（BP）网络 对流传播网络(CPN) Hopfield网 Madaline算法 认知机（Neocognition） 感知器（Perception） 自组织映射网（SOM） 5.1.5 基于神经网络的知识表示和推理 基于神经网络的知识表示 传统的人工智能系统中所用的是知识的显示表示,而神经网络中的知识表示是一种隐式表示.隐式表示,知识并不像在生产式系统中那样独立地表示,而是将某一问题的若干知识在同一网络表示 基于神经网络的推理 基于神经网络的推理是通过网络计算实现的.把用户提供的初始证据用作网络的输入,通过网络计算最终得到输出结果 5.2 神经控制的结构方案 5.2.1 NN学习控制 基于神经网络的监督式控制 实现NN监督式控制的步骤 通过传感器和传感信息处理，调用必要的和有用的控制信息 构造神经网络，选择NN类型、结构参数和学习算法等 训练NN控制器，实现输入和输出间的映射，以便进行控制 5.2.2 NN直接逆模控制 原理与特点 这种控制采用受控系统的一个逆模型，它与受控系统串接以便使系统在期望响应（网络输入）与受控系统输出间得到一个相同的映射 由于不存在反馈，本法鲁棒性不足；逆模型参数可通过在线学习调整，以期把受控系统的鲁棒性提高至一定程度 NN直接逆控制的两种结构方案 5.2.2 NN内模控制 基于NN的内模控制的结构图示于下图 其中，系统模型（NN2）与实际系统并行设置 反馈信号由系统输出与模型输出间的差得到 由NN1（在正向控制通道上一个具有逆模型的NN控制器）进行处理；NN1控制器应当与系统的逆有关 5.2.3 NN自适应控制 NN自校正控制（STC） 直接自校正控制、间接自校正控制 NN参考自适应控制（MRAC） NN直接参考自适应控制、NN间接参考自适应控制 5.3 神经控制器的设计 神经控制器的设计一般应过以下内容 建立受控对象的数学计算模型或知识表示模型 选择神经网络及其算法,进行初步辨识与训练 设计神经控制器,包括控制器结构、功能与推理 控制系统仿镇实验，并通过实验结果改进设计 5.3 神经控制器的设计 控制器结构和工作原理 5.3 神经控制器的设计 神经控制器及训练 5.4 小结 本章首先简介人工神经网络及其结构和实例 然后以控制工程师熟悉的语言和图示介绍神经控制器的各种基本结构方案，包括 基于神经网络的学习控制器 基于神经网络的直接逆控制器 基于神经网络的自适应控制器 基于神经网络的内模控制器 * * 智能系统与智能软件研究所 -1 … 中间状态由输入信号的权和表示 神经元单元 由多个输入 5.1 人工神经网络初步知识 5.1 人工神经网络初步知识 v1 v2 vn