神经网络控制及应用辨识与控制.ppt

*3.3.1神经网络控制系统结构3.3.1.1直接逆控制系统结构直接逆控制是一种前馈控制，设被控对象模型为P且其逆模型P-1存在，理论上可直接用P-1作为控制器与被控对象串联，此时控制器P-1的输入为系统的参考输入r，输出为u，而被控对象的输入为u，输出为y，理想情况下应有y=r，即系统的传递函数为P?P-1=1。因此，可先通过离线训练使神经网络控制器NNC获得被控对象的逆特性P-1，再将具有逆特性P-1的NNC与被控对象串联。3.3神经网络控制第23页，共63页，星期日，2025年，2月5日*NNC()对象NN()神经网络直接逆控制结构该控制结构的一种实现方案如下图所示:3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.1直接逆控制系统结构第24页，共63页，星期日，2025年，2月5日*-dyu-fr+滤波器NNC()对象NNI()内模控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.2内模控制系统结构第25页，共63页，星期日，2025年，2月5日*PID控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。在常规PID控制器中，这种关系只能是简单的线性组合，因此难以适应复杂系统或复杂环境下的控制性能要求。从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来实现具有最佳组合的PID控制。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.3PID控制系统结构第26页，共63页，星期日，2025年，2月5日*3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.3PID控制系统结构第27页，共63页，星期日，2025年，2月5日*间接自校正控制常称为自校正控制，该方案可在被控系统参数变化的情况下自动调整控制器参数，消除扰动的影响。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.4间接自校正控制系统结构第28页，共63页，星期日，2025年，2月5日*预测控制是一种基于被控对象的预测模型的控制，特点是滚动优化和反馈校正。由于神经网络能辨识非线性动态系统的输入输出特性，可作为系统的预测模型。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.5预测控制系统结构第29页，共63页，星期日，2025年，2月5日*模型参考自适应控制来源于线性系统的模型参考自适应控制(MRAC)，当被控对象具有未知的非线性特性时，可采用神经网络模型参考自适应控制方案，其结构如下。间接型直接型3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.6模型参考自适应控制系统结构第30页，共63页，星期日，2025年，2月5日*智能控制的思路是模仿人的智能行为进行控制，人作出控制决策时凭借的不是数学模型而是经验，而这些经验是经过“行动—评价—改进行动方案—再行动”的多次反复才能获得的，再励学习控制就是模仿人的这种学习方式而提出的。3.3.1神经网络控制系统结构3.3神经网络控制3.3.1.7再励学习控制系统结构第31页，共63页，星期日，2025年，2月5日*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制设被控对象为1.神经网络辨识器的设计,(3-92)第32页，共63页，星期日，2025年，2月5日*第33页，共63页，星期日，2025年，2月5日*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制1.神经网络辨识器的设计第34页，共63页，星期日，2025年，2月5日*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制1.神经网络辨识器的设计第35页，共63页，星期日，2025年，2月5日*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第36页，共63页，星期日，2025年，2月5日*3.3神经网络控制3.3.2.1基于BP神经网络的PID控制2.神经网络PID控制器的设计第37页