智能控制--神经网络控制--ppt课件 (1).ppt

用什么类型的神经网络建模？对于静态系统，其输入输出间只是某种非线性映射关系，因此可以直接利用前向神经网络进行建模。对于动态系统，可利用动态神经网络建模，也可利用静态前向神经网络进行建模。一般而言，后者更便于分析，但需要将动态系统的神经网络建模转化为静态系统的神经网络的建模。*PPT课件神经网络辨识的特点(与传统辨识方法相比)神经网络本身作为一种辨识模型，其可调参数反映在网络内部的极值上，无需建立实际系统的辨识格式。借助网络外部的输入/输出数据拟合系统的输入/输出关系，可对本质非线性系统进行辨识。(网络内部隐含着系统的特性)辨识的收敛速度不依赖于被辨识系统的维数，只与神经网络本身所采用的学习算法有关。神经网络具有大量的连接，连接权值构成神经网络模型的参数，通过调节这些权值使网络输出逼近系统输出。神经网络作为实际系统的辨识模型，构成系统的一个物理实现，可用于在线控制。*PPT课件3.6.2非线性静态系统的神经网络辨识*PPT课件*PPT课件非线性动态系统的神经网络辨识*PPT课件*PPT课件动态系统神经网络辨识的两类网络导致两种辨识模型：神经网络辨识模型*PPT课件神经网络辨识模型*PPT课件*PPT课件*PPT课件*PPT课件*PPT课件模型③的动态系统+-++TDLTDL…*PPT课件*PPT课件*PPT课件*PPT课件选取具体结构为1-6-2-1型，则利用上面的学习算法可得到仿真结果为若使用一个神经网络，结构为2-20-10-1型，仿真结果为150次迭代，误差达0.0133300次迭代，误差达23.06*PPT课件神经网络控制的学习机制神经网络控制器的特殊性：控制器的样本信息通常无法预先知道(如：控制器的期望输出通常是系统的最佳控制量，一般无法通过测量获得)。解决控制器的学习问题是关键。神经网络控制器的学习：就是寻找一种有效的途径进行网络连接权阵或网络结构的修改，从而使得网络控制器输出的控制信号能够保证系统输出跟随系统的期望输出。*PPT课件神经网络控制器的学习类别(1)监督式学习(有导师指导下的控制网络学习)外界提供适当形式的导师信号，学习系统根据导师信号与相对应的实际输出量之差调节网络参数。离线学习法在线学习法反馈误差学习法多网络学习法(2)增强式学习(通过某一评价函数指定下的学习)无导师信号，按照环境所提供数据的某些规则或适当的评价函数调节网络参数。*PPT课件(2)再励学习(强化学习)介于上述两种情况之间，外部环境只对输出结果给出评价，而不给出具体答案，学习系统通过强化那些受奖励的动作来改善自身的性能。离线学习对一批实现给定的系统输入输出样本数据进行离线学习，建立系统的一个逆模型，然后用此逆模型进行在线控制。*PPT课件非线性系统神经网络控制器离线学习(建模)在线控制适合静态环境非线性系统神经网络逆模型+-*PPT课件*PPT课件非线性系统+-*PPT课件固定增益控制器非线性系统+++-*PPT课件前向建模多神经网络学习非线性系统+-+-*PPT课件非线性系统+-逆向建模多神经网络学习*PPT课件PPT课件PPT课件PPT课件PPT课件PPT课件PPT课件PPT课件*神经网络控制*PPT课件神经网络控制的优越性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。神经网络是本质非线性系统，可实现任意非线性映射。神经网络具有很强的信息综合能力，能同时处理大量不同类型的输入，并能很好解决输入信息之间的互补性和冗余性问题。神经网络的硬件实现愈趋方便。*PPT课件神经网络控制的研究领域基于神经网络的系统辨识将神经网络作为被辨识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预测模型，实现非线性系统的建模和辨识。神经网络控制器神经网络作为实时控制系统的控制器，对不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。神经网络与其他算法相结合将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可设计新型智能控制系统。*PPT课件3.5.3神经网络控制的研究重点神经网络的稳定性与收敛性问题；神经网络控制系统的稳定性与收敛性问题；神经网络学习算法的实时性；神经网络控制器和辨识器的模型和结构。*PPT课件神经网络控制系统的结构