现代控制工程神经网络控制.pptxVIP

现代控制工程神经网络控制第1页/共63页 2第13章 神经网络控制人工神经网络（Artificial Neural Network，简称ANN）有着很强的自学习功能和对非线性系统映射能力，已广泛应用于复杂对象的控制中，成为智能控制中的重要研究领域。本章着重介绍最基本最典型的BP神经网络、基于神经网络的系统辨识、基于神经网络的软测量、神经网络控制以及单神经元控制及其应用。第2页/共63页 3第13章 神经网络控制13.1 神经网络控制概述13.2 神经元与神经网络 13.3 BP神经网络及其学习算法13.4 基于神经网络的系统辨识方法13.5 基于神经网络的软测量方法13.6 基于神经网络的控制方法13.7 单神经元控制器第3页/共63页 4基于神经网络的控制或以神经网络为基础构成的神经网络控制系统，称为神经网络控制（neural control）。神经网络控制是近年来智能控制的一个非常活跃的研究领域。神经网络控制主要是将神经网络作为控制系统中的控制器与（或）辨识器，主要是为了解决复杂的非线性、不确定性系统在不确定性环境中的控制问题，使控制系统稳定、鲁棒性好，具有要求的动态和静态性能。13.1 神经网络控制概述第4页/共63页 5神经网络控制的优越性主要有：（1）神经网络可以处理那些难以用模型或规则描述的对象；（2）神经网络采用并行分布式信息处理方式，具有很强的容错性； （3）神经网络在本质上是非线性系统，可以实现任意非线性映射，容易应用于非线性控制系统；（4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题。13.1 神经网络控制概述第5页/共63页 613.2 神经元与神经网络人脑由一千多亿（1011亿－ 1014 亿）个神经细胞（神经元）交织在一起的网状结构组成，其中大脑皮层约140亿个神经元，小脑皮层约1000亿个神经元。 神经元约有1000种类型，每个神经元大约与103－ 104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。 人的智能行为就是由如此高度复杂的组织产生的。浩瀚的宇宙中，也许只有包含数千忆颗星球的银河系的复杂性能够与大脑相比。13.2.1 生物神经元的结构第6页/共63页 7神经网络（neural networks，NN） 生物神经网络( natural neural network, NNN): 由中枢神经系统（脑和脊髓）及周围神经系统（感觉神经、运动神经等）所构成的错综复杂的神经网络，其中最重要的是脑神经系统。人工神经网络(artificial neural networks, ANN): 模拟人脑神经系统的结构和功能，运用大量简单处理单元经广泛连接而组成的人工网络系统。神经网络方法： 隐式的知识表示方法13.2.1 生物神经元的结构第7页/共63页 813.2.1 生物神经元的结构（输入）（输出） 神经冲动生物神经元结构第8页/共63页 913.2.1 生物神经元的结构 工作状态： 兴奋状态：细胞膜电位 动作电位的阈值 → 神经冲动 抑制状态：细胞膜电位 动作电位的阈值 学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱 。第9页/共63页 1013.2 神经元与神经网络13.2.1生物神经元结构13.2.2 神经元数学模型13.2.3 神经网络的结构与工作方式13.2.4 神经网络的学习第10页/共63页 1113.2.2 神经元数学模型 1943年，麦克洛奇和皮兹提出M－P模型。一般模型： 第11页/共63页 1213.2.2 神经元数学模型 ：第 个神经元的输出。 ：第 个神经元的阈值。 ：外部输入。 ：权值。 加权求和：其矩阵形式：第12页/共63页 13线性环节的传递函数： ：1； ； ； 及其组合等。 13.2.2 神经元数学模型第13页/共63页 1413.2.2 神经元数学模型非线性激励函数（传输函数、输出变换函数） （硬极限函数或阶跃函数）（对称硬极限函数）第14页/共63页 1513.2.2 神经元数学模型非线性激励函数（传输函数、输出变换函数） （对数- S 形函数或S型函数）（双曲正切S形函数）第15页/共63页 1613.2.2 神经元数学模型 工作过程:从各输入端接收输入信号 uj ( j = 1, 2, …, n )根据连接权值求出所有输入的加权和 用非线性激励函数进行转换，得到输出 第16