人工神经网络第十三课.pptVIP

NARMA-L2模型在u(k)=0处展开，有：因此，控制量可取：NNNARMA辨识器NNNARMA控制器示例1示例1——四种模型线性化非线性NARMA-L1NARMA-L2示例1——辨识效果图(1)辨识信号[-2,2]随机数测试信号示例1——辨识效果图(2)示例1——控制效果图示例1——控制输入示例2y(t):磁铁距电磁铁高度；i(t):电磁铁电流；M:磁铁质量；?：场强常数；?：粘滞摩擦系数；NNNARMA控制器演示narmamaglev图4-6-1内模控制基本结构内模控制——基本原理I图4-6-1内模控制基本结构内模控制——基本原理II图4-6-1内模控制基本结构内模控制——系统分析I当对象稳定，模型与对象完全匹配时，有：控制系统相当于开环；控制系统稳定-D和P零极点在单位圆内；内模反馈量即为扰动量，即；若控制器取，即能实现完全控制内模控制——系统分析II当对象稳定，模型与对象失陪时，有：系统输出与模型差及扰动量有关；对于阶跃输入，系统稳态误差终值：若，且，则稳态误差为0内模控制——控制器设计I被控对象：控制器设计(1)稳定的内模控制器设计内模控制器应是稳定的、物理可实现的(2)滤波器设计改善模型失配、时延问题。可改善系统动态响应和平滑噪声内模控制——控制器设计II被控对象：控制器设计(1)稳定的内模控制器设计内模控制器应是稳定的、物理可实现的(2)滤波器设计改善模型失配、时延问题。可改善系统动态响应和平滑噪声内模控制——控制器设计III系统输出：(1)闭环特征方程变为通过配置滤波器，改善响应(2)取简化设计，此时：(3)可取一阶形式？内模控制——控制器设计IV(1)取上述形式，误差终值为1.(2)若全部特征根均在Z平面单位圆内，则闭环系数稳定。(3)适当选取滤波器的参数，可增强系统的稳定性、鲁棒性。但需兼顾鲁棒性与快速性。因增大，使系统克服模型失配与参数波动的能力提高，但使其输出响应变缓。(4)鲁棒性：注意到抗干扰能力内模控制——例1内模控制——例2线性内模控制器设计演示神经网络内模控制原理与线性相同，但内部模型及控制器由NN实现设非线性SISO对象，稳定、可逆且具有d阶时延：(1)对象模型由神经辨识器实现：(2)最小相位部分逆模型：由神经网络控制器实现(3)滤波器设计同线性系统内模控制——神经控制器设计I内模控制器注意到模型匹配时：因此将代入，并进行z变换，得：内模控制——神经控制器设计II内模控制——例3神经网络内模控制器设计演示通过逆系统将原模型转化为解耦的理想积分环节(或其他线性模型)，再使用一般控制方法神经逆系统控制神经逆系统控制——示例人工神经网络理论及应用13.神经网络控制主要内容神经网络控制基础神经PID控制神经模型参考自适应控制与NARMA控制神经内模控制神经网络逆控制模型预测控制(MPC)*NN控制基础是将神经网络在相应的控制结构中做控制器、辨识器主要是为解决复杂的非线性、不确定、不确知系统，在不确定、不确知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、静态性能NN控制与已有控制方法关系能对变化的环境具有自适应性，且成为基本上不依赖于模型的一类控制，因此，神经控制已成为“智能控制”的一个新的分支将具有学习能力的控制系统称为学习控制系统。NN控制是有学习能力的，属于学习控制控制系统设计过程控制系统分析――正问题求解：（1）已知控制系统中各环节结构、参数；（2）已知被控对象所处的环境求解控制系统的稳定性、动态、稳态特性。控制系统设计（综合）――逆问题求解：有多种解法，可选择不同的控制结构，确定不同的准则函数。确定性系统NN控制设计已知对象特性及外加扰动是确定性的，时不变的；已知系统期望输出r，要求的性能指标。控制系统的设计：设计控制器，校正对象的特性，使控制系统达到要求的性能指标，即使控制系统在r作用下，由控制器给出的控制量u作用于对象，使其输出y跟踪r。对于确定性系统与环境，选择某种控制结构，可设计出确定参数的控制器。