智能控制技术PPT 第五章.pptx

智能控制理论与应用;5.1引言

5.2非线性动态系统的神经网络辨识

5.3神经网络控制的学习机制

5.4神经网络控制器的设计;一、神经网络控制的优越性;二、神经网络控制器分类;（2）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。如下所示。;（3）自适应网络控制器

将控制误差（实际系统的输出与参考模型的输出之差）反馈到控制器中去并利用它对控制器特性进行修正最终使其误差趋于极小。;（4）神经内模控制结构

在这种控制结构中，在反馈回路中直接使用系统的前向模型和逆模型。;（5）前馈控制结构

这种结构是基于鲁棒性问题而提出来的。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;（6）自适应评价网络

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的处理和分析得到奖励或惩罚信号。;5.1引言

5.2非线性动态系统的神经网络辨识

5.3神经网络控制的学习机制

5.4神经网络控制器的设计;一、神经网络的辨识基础;神经网络辨识就是从神经网络模型中选择一个模型来逼近实际系统模型。;神经网络辨识要考虑以下三大因素。

1、模型的选择

在神经网络中辨识这一问题上主要表现为网络隐含层数的选择和隐含层内节点的选择。要实现精度和复杂性这一折衷方案的唯一途径是进行多次仿真实验。

2、输入信号的选择

为了能够有效地对未知系统进行辨识，输入信号必须满足一定的条件。即在辨识时间内要求输入信号持续激励系统。即充分激励系统的所有模态。;3、误差准则的选择

通常记作：

其中是误差矢量的函数，用得最多的是平方函数，即

它是衡量模型接近实际系统程度的标准。

这里误差指的是广义误差，既可以表示输出误差又可以表示输入误差甚至是两种误差函数的合成。;神经网络辨识具有以下五个特点：

1）神经网络本质上已作为一种辨识模型，其可调参数反映在网络内部的极值上。

2）对本质的非线性系统进行辨识。

3）辨识的收敛速度不依赖于辨识系统的维数，只与神经网络本身所采用的学习算法有关。

4）神经网络具有大量的连接，这些连接权值在辨识中对应着模型参数。通过调节这些权值使用网络输出逼近系统输出。

5）神经网络作为实际系统的辨识模型，实际上也是系统的一个物理实现，可用于在线控制。;二、神经网络辨识模型的结构;其中TDL表示延迟抽头，神经网络模型在结构上与实际系统并行。网络训练的导师信号直接利用系统的实际输出与网络输出的误差作为网络训练的信号。;选择神经网络的输入输出结构与系统的结构一致，即也使神经网络的输出为：;（2）逆模型法;1）学习过程不一定是目标最优的。因为神经网络无法完全表示整个非线性系统的特性（样本无法无限地取得）因此只是局部的逼近。

2）一旦非线性系统的对应关系不是一对一的，那么不准确的逆模型可能会被建立。;;三、非线性动态系统的神经网络辨识;为了能够利用神经网络对如上四种类型的系统进行辨识

假定：

①线性部分的阶次已知。

②系统是稳定的，即对于所有给定的有界输入其输出响应必定也是有界的。反映在模型1上要求线性部分的特征多项式的根应全部位于单位圆内。

③系统是最小相位系统，反映在模型2上要求

的零点全部位于单位圆内。

④与可以量测。;采用最小二乘辨识算法和BP学习算法，结合模型2和模型3的特点提出了一种新的神经网络辨识结构如下图。;设线性部分未知参数用矢量表示，非线性部分的神经网络模型参数用阵表示，则对于模型1的混合递推辨识算法可归结为;针对模型1，

特别要注意的是由于线性模型和非线性模型的期望输出和在这里都是未知的，已知的只是两个模型的输出之和。而它们的期望值应该是系统在当前时刻的实际输出矢量值。因此在实际对如上算法计算时可交替使用和去近似地代替和。;例5-1考虑如下非线性离散系统

在此仿真例子中，取：

对于这个可分离系统，待辨识的参数由线性部分的系数和非线性函数两部分组成。其中性部分采用最小二乘学习法、非线性部分采用前向传播多层神经网络来逼近，且选择神经网络结构为，即一个神经网络输入单