NN模型参考自适应控制.ppt

第二十三讲 神经网络自适应控制 目录(1/2) 目录(2/2) 1.引言(1/5) 1.引言 由于NN,尤其是多层感知器(MLP),对连续函数映射关系具有较好的逼近能力,能以任意精度逼近平方可积的连续函数影射. --基于函数最优一致逼近的Weistrass定理可以证明,对任何平方可积函数,可以由多层BP网络以任意精度最优一致逼近. 因此NN是一种良好的函数逼近工具,可广泛应用于实质上可以归结为函数逼近问题的应用领域中,如 各种专门领域的数学模型实验建模、 控制与系统科学领域的系统辨识、 3.NN控制的结构方案(1/2) 3.神经网络控制的结构方案 由于分类方法的不同,神经网络(NN)控制系统的结构也就有所不同.本节将简要介绍神经控制结构的典型方案,包括 NN学习控制 NN直接逆模型控制 NN自适应控制 NN内模控制 NN预测控制 NN衰减激励自适应控制 3.NN控制的结构方案(2/2) NN自适应判断控制 基于CMAC的控制 多层NN控制 分级NN控制 3.1 NN学习控制(1/8) 3.1 神经网络学习控制 由于被控系统的动态特性是未知的或者仅有部分是已知的,因此需要寻找某些支配系统动作和行为的规律,使得系统能被有效地控制. 在有些情况下,可能需要设计一种能够模仿人类作用的自动控制器. 基于规则的专家控制和模糊控制是实现这类控制的两种方法, 而NN控制是另一种方法,我们称它为基于NN的学习控制、监督式NN控制,或NN监督式控制. 3.1 NN学习控制(2/8) 图1给出一个NN学习控制的结构, 3.1 NN学习控制(3/8) 实现NN监督式控制的步骤如下: 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NN,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,以便进行正确的控制. 在训练过程中,可采用 线性控制律、 反馈线性化或解耦变换的非线性反馈 规则控制 等作为导师(监督程序)来训练NN控制器. 3.1 NN学习控制(4/8) NN监督式控制已被用于标准的倒立摆小车控制系统,下面简单介绍采用NN监督式控制器控制倒立摆小车的仿真实验. 3.1 NN学习控制(5/8) 其中x,x’,x’’,?,?’,?’’分别为小车位置、速度、加速度、杆角度、角速度、角加速度. 3.1 NN学习控制(6/8) 在仿真中, NN控制器为四层BP网4-16-4-1结构,神经元的激发函数S型作用函数. 训练时导师信号为线性或非线性的控制律产生的输入输出. 仿真模型取M=1kg,m=0.1kg,f=5.1kg/s,g=9.81m/s2 3.1 NN学习控制(7/8) 仿真结果: 线性控制为状态反馈. 反馈律为 u=-KX=11.01x+19.68x’+96.49?+35.57?’ 训练20000次后NN可实现/学习线性控制律 非线性控制律.经80000次可学习好给定的基于解耦变换及反馈线性化实现的控制律. 人控制(规则控制).经40000次训练结束后,监督式NN控制可以达到人本身操作/控制的水平,且不易犯错,稳定性更好. 3.1 NN学习控制(8/8) 值得指出的是训练完成后,监督式NN控制本身不具备在线自学习功能. 只有在给定其它控制策略样本的情况下,将监督式NN控制切换到学习状态,监督式NN控制才可继续学习,得到新的控制能力. 3.2 NN直接逆模型控制 (1/5) 3.2 神经网络直接逆模型控制 NN直接逆控制源于控制中的逆模型控制方法. 顾名思义,逆模型控制方法是直接采用被控对象动态模型的逆模型来设计控制器. 因此,在这里存在一个动态系统模型是否可逆的问题.对此,有如下结论: 对SISO线性系统,可逆性一目了然 对MIMO线性系统,能观即可逆 对非线性系统的可逆性问题,有如下定理: 3.2 NN直接逆模型控制 (2/5) 定理 对非线性系统 yk+1=f(yk,…,yk-n;uk,…,uk-m) 若非线性函数f(yk,…,yk-n;uk,…,uk-m)在任意的yk,…,yk-n;uk-1,…,uk-m的变量空间,对输入uk是严格单调的,则系统是系统可逆的. 实际上,数学模型可逆并不代表逆模型是可以实现的.如: 对连续系统,逆模型可能存在高阶纯微分环节; 对离散系统,逆模型必然会带来前向差分. 而纯微分环节和前向差分是不可物理实现的. 因此,在逆模型控制器实现中只能采取近似的微分环节和前向差分,逆模型也为在某种意义下的近似逆模型. 3.2 NN直接逆模型控制 (3/5) 类似于逆模型控制方法,NN直接逆控制采用被控系统的一个逆模型,它与被控系统串接以便使系统在期望响应(网络输入)与被控系统输出间得到一个相同的映射. 因此,该网络(NN)直接作为前馈控制器,而且被控系统的输出等于期望输出. 本控