《智能控制技术（第2版）》配套教学课件.ppt

由于神经网络本质上是一个大规模并行分布处理的非线性动力学系统，并在更高层次上体现出一些人脑的智能行为，为智能控制提供了新途径。 神经网络控制的优越性体现在： 神经网络可以处理那些难以用模型或规则描述的过程或系统。 神经网络采用并行分布式信息处理，具有很强的容错性。 神经网络是本质的非线性系统。 神经网络具有很强的信息综合能力。 神经网络的硬件实现愈趋方便。 一、引言 神经网络控制器的分类 根据神经网络在控制系统中的作用不同，又可分为两大类 一是神经控制，它是以神经网络为基础而形成的独立智能控制系统 二是混合神经网络控制，它代表着那些利用神经网络学习和优化能力来改善传统的控制方法 一、引言 神经网络控制器的典型分类 导师指导下的控制器 逆控制器 自适应网络控制器 前馈控制结构 自适应评价网络 混合控制系统 一、引言 导师指导下的控制器：神经网络控制结构的学习样本直接取自于专家的控制经验。一旦神经网络的训练达到了能够充分描述人的控制行为时，则网络训练结束 一、引言 逆控制器：如果一个动力学系统可以用一个逆动力学函数来表示，则采用简单的控制结构和方式是可能的 一、引言 模型参考自适应网络控制器：利用神经网络将线性系统经典的自适应控制设计理论和思想方法直接引到非线性系统自适应控制系统中来是可能的 一、引言 神经内模控制结构：系统的实际输出与模型M的输出信号差用于反馈的目的。这个反馈信号通过前向通道上的控制子系统G预处理。通常G是一个滤波器，用于提高系统的鲁棒性。系统模型M和控制器C可以由神经网络来实现 一、引言 前馈控制结构：通常单纯的求逆控制结构不能很好地起到抗干扰能力，因此结合反馈控制的思想组成前馈补偿器的网络控制结构 一、引言 自适应评价网络是由Barto,Sutten 和Anderson在1983年提出来的。整个学习系统由一个相关的有哪些信誉好的足球投注网站单元和一个自适应评价单元组成，在这个算法中，相关有哪些信誉好的足球投注网站单元是作用网络。自适应评价单元为评价网络。它不需要控制系统数学模型，只是通过对某一指标准则J的处理和分析得到奖励或惩罚信号。 一、引言 神经网络的逼近能力 首先要搞清楚到底什么样的被控系统可以用神经网络来描述。对于众多的神经网络类型来说，要得到一个统一的神经网络逼近理论是不现实的，况且，还有很多神经网络结构的逼近性问题至今尚未得到证明 多层前向传播神经网络能够相当好地逼近许多实际问题中的非线性函数。 这一节就要回答这个问题。 一、引言 连接权系数更新 二、前向神经网络模型 BP算法的MATLAB编程参见教材p90 BP改进算法 快速BP算法 Fahlman在1988年首先提出。 共轭梯度学习算法 经典优化方法 二、前向神经网络模型 * 引言 1 2 3 前向神经网络模型 5 动态神经网络模型 前向传播网络，从学习观点看，它是一种强有力的学习系统；从系统观点看，它是一种静态非线性映射 反馈型神经网络具备非线性动力学系统所特有的丰富动力学特性，如稳定性、极限环、奇异吸引子（即浑沌现象）等。一个耗散动力学系统的最终行为是由它的吸引子决定的，吸引子可以是稳定的，也可以是不稳定的。--动态神经网络 三、动态神经网络模型 简单非线性神经元互连而成的反馈动力学神经网络系统具有两个重要的特征： （1）. 系统有若干个稳定状态。如果从某一初始状态开始运动，系统总可以进入某一稳定状态； （2）. 系统的稳定状态可以通过改变相连单元的权值而产生。 三、动态神经网络模型 如果将神经网络的稳定状态当作记忆，那么神经网络由任一初始状态向稳态的演化过程，实质上是寻找记忆。稳态的存在是实现联想记忆的基础。能量函数是判定网络稳定性的基本概念。下面我们先给出稳定性定义。 定义3-1: 神经网络从任一初态X（0）开始运动，若存在某一有限的时刻ts，从ts以后神经网络的状态不再发生变化，即： X(ts+Δt)=X(ts), Δt0 则称网络是稳定的。处于稳定时刻的网络状态叫稳定状态，又称定点吸引子。 三、动态神经网络模型 动态神经网络模型的实质是其节点方程用微分方程或差分方程来表示而不是简单地用非线性代数方程来表达，主要介绍三种： 带时滞的多层感知器网络 Hopfield网络 回归神经网络 三、动态神经网络模型 带时滞的多层感知器网络: 多层前向传播网络是如何来处理动态序列问题的。利用静态网络来描述动态时间序列可以简单地将输入信号按时间座标展开，并将展开后的所有信息作为静态网络的输入模式 1、输出是有限维独立的输入序列函数的动态系统 y(k)=f[x(k),x(k-1),...x(k-n)] 三、动态神经网络模型 2、带反馈的动态网络系统 y(k)=F(x(k),x(k-1),...x