智能控制理论2007-06(神经网络控制).ppt

基于神经网络的控制研究;神经网络控制; 从控制角度来看，神经网络用于控制的优越性主要表现为： （1）可并行处理那些难以用模型或规则描述的对象； （2）采用并行分布式信息处理，具有很强的容错性； （3）本质上是非线性系统，可实现任意非线性映射。 神经网络在非线性控制系统中具有很大的发展前途；;;(1)?基于神经网络的系统辨识：可在已知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，建立线性、非线性系统的静态、动态、逆动态及预测模型； (2)?神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性； (3)??神经网络与其他算法相结合：与专家系统、模糊逻辑、遗传算法等相结合可构成新型控制器；;(4)?优化计算：在常规控制系统的设计中，常遇到求解约束优化问题，神经网络为这类问题提供了有效的途径； (5)?控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。 ; 神经网络控制的研究重点： (1)?神经网络的稳定性与收敛性问题； (2)?神经网络控制系统的稳定性与收敛性问题； (3)?神经网络学习算法的实时性； (4)?神经网络控制器和辨识器的模型和结构；;根据在控制器中的作用，神经控制器分为两类： 一类为神经控制，它是以神经网络为基础而形成的独立智能控制系统； 另一类为混合神经网络控制，它是指利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等。 综合目前的各种分类方法，可归结为以下七类。;? 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，称为神经网络监督控制。;9.2.1 神经网络监督控制; 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，??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。 ; 神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。; 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。 ; 图9-2为神经网络直接逆控制的两种结构方案。在图9-2(a)中，。在图9-2(b)中，。 ;NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。;（b） ;9.2.3 神经网络自适应控制;1 神经网络自校正控制 神经网络自校正控制分为直接自校正控制和间接自校正控制。间接自校正控制使用常规控制器，神经网络估计器需要较高的建模精度。直接自校正控制同时使用神经网络控制器和神经网络估计器。 （1）神经网络直接自校正控制 在本质上同神经网络直接逆控制，其结构如图9-2所示。;（2）神经网络间接自校正控制 其结构如图9-3所示。假设被控对象为如下单变量仿射非线性系统： 若利用神经网络对非线性函数 和 进行逼近，得到 和 ，则控制器为： 其中 为 时刻的期望输出值。;图9-3 神经网络间接自校正控制;2. 神经网络模型参考自适应控制 分为直接模型参考自适应控制和间接模型参考自适应控制两种。 （1）直接模型参考自适应控制 如图9-4所示。神经网络控制器的作用是使被控对象与参考模型输出之差为最小。但该方法需要知道对象的 信息 。 ;图9-4 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9-5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。;图9-5 神经网络间接模型参考自适应控制 ;? 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。 图9-6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。;图9-6 神经网络内模控制 ;? 预测控制又称为基