神经网络控制ppt课件.ppt

第9章 神经网络控制,9.1 概述 神经网络一种具有高度非线性的连续时间动力系统，它有着很强的自学习功能和对非线性系统的强大映射能力，已广泛应用于复杂对象的控制中 神经网络所具有的大规模并行性、冗余性、容错性、本质的非线性及自组织、自学习、自适应能力，给不断面临挑战的控制理论带来生机,神经网络,控制,处理那些难以用模型或规则描述的对象,采用并行分布式信息处理方式，具有很强的容错性,本质上是非线性系统，可以实现任意非线性映射,具有很强的信息综合能力，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,硬件实现愈趋方便,大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段,神经网络控制在理论和实践上，研究的重点有：(1)神经网络的稳定性与收敛性问题；(2)神经网络控制系统的稳定性与收敛性问题；(3)神经网络学习算法的实时性；(4)神经网络控制器和辨识器的模型和结构；,根据神经网络在控制器中的作用不同，神经网络控制器可分为两类神经控制，它是以神经网络为基础而形成的独立智能控制系统混合神经网络控制，它是指利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等,9.2 神经网络控制结构,9.2.1 神经网络监督控制 通过对传统控制器进行学习，然后用神经网络控制器逐渐取代传统控制器的方法，称为神经网络监督控制。神经网络监督控制的结构如图9-1所示。,图9-1 神经网络监督控制,神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。,9.2.2 神经网络直接逆动态控制 神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。,图9-2为神经网络直接逆控制的两种结构方案。在图9-2(a)中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。在图9-2(b)中，神经网络NN通过评价函数进行学习，实现对象的逆控制。,（a）,图9-2 神经网络直接逆控制,（b）,9.2.3 神经网络自适应控制,与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。,1 神经网络自校正控制 神经网络自校正控制分为直接自校正控制和间接自校正控制。间接自校正控制使用常规控制器，神经网络估计器需要较高的建模精度。直接自校正控制同时使用神经网络控制器和神经网络估计器。（1）神经网络直接自校正控制 在本质上同神经网络直接逆控制，其结构如图9-2所示。,（2）神经网络间接自校正控制 其结构如图9-3所示。假设被控对象为如下单变量仿射非线性系统：若利用神经网络对非线性函数 和 进行逼近，得到 和，则控制器为：其中 为 时刻的期望输出值。,图9-3 神经网络间接自校正控制,2.神经网络模型参考自适应控制 分为直接模型参考自适应控制和间接模型参考自适应控制两种。（1）直接模型参考自适应控制 如图9-4所示。神经网络控制器的作用是使被控对象与参考模型输出之差为最小。但该方法需要知道对象的 信息。,图9-4 神经网络直接模型参考自适应控制,（2）间接模型参考自适应控制 如图9-5所示。神经网络辨识器NNI向神经网络控制器NNC提供对象的信息，用于控制器NNC的学习。,图9-5 神经网络间接模型参考自适应控制,9.2.4 神经网络内模控制 经典的内模控制将被控系统的正向模型和逆模型直接加入反馈回路，系统的正向模型作为被控对象的近似模型与实际对象并联，两者输出之差被用作反馈信号，该反馈信号又经过前向通道的滤波器及控制器进行处理。控制器直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。图9-6为神经网络内模控制，被控对象的正向模型及控制器均由神经网络来实现。,图9-6 神经网络内模控制,9.2.5 神经网络预测控制 预测控制又称为基于模型的控制，是70年代后期发展起来的新型计算机控制方法，该方法的特征是预测模型、滚动优化和反馈校正。神经网络预测控制的结构如图9-7所示，神经网络预测器建立了非线性被控对象的预测模型，并可在线进行学习修正。利用此预测模型，通过设计优化性能指标，利用非线性优化器可求出优化的控制作用。,图9-7 神经网络预测控制,9.2.6 神经网络自适应评判控制 神经网络自适应评判控制通常由两个网络组成，如图9-8所示。自适应评判网络通过不断的奖励、惩罚等再励学习，使自己逐渐成为一个合格的“教师”，学习完成后，根据系统目前的状态和外部激励反馈信号产生一个内部再励信号，以对目前的控制效果作出评价。控制选择网络相当于一个在内部再励信号指导下进行学习的多层前馈神经网络控制器，该网络在进行学习后，根据编码后的系统状态，在允许控制集中选择下一步的控制作用。,图9-8 神经网络自适应评判控制,9.2.7 神经网络混合控制 该控制方法是集成人工智能各分支的优点，由神经网络技术与模糊控制、专家系统等相结合而形成的一种具有很强学习能力的智能控制系统。由神经网络和模糊控制相结合构成模糊神经网络，由神经网络和专家系统相结合构成神经网络专家系统。神经网络混合控制可使控制系统同时具有学习、推理和决策能力。,9.3 单神经元网络控制,9.3.1 单神经元自适应控制算法 单神经元自适应控制的结构如图9-9所示。,图9-9 单神经元自适应PID控制结构,单神经网络控制器,单神经元自适应控制器是通过对加权系数的调整来实现自适应、自组织功能，控制算法为 如果权系数的调整按有监督的Hebb学习规则实现，即在学习算法中加入监督项，则神经网络权值学习算法为：,式中，为学习速率，为神经元的比例系数，。,值的选择非常重要。越大，则快速性越好，但超调量大，甚至可能使系统不稳定。当被控对象时延增大时，值必须减少，以保证系统稳定。值选择过小，会使系统的快速性变差。,输入指令为一方波信号 采样时间为1ms，采用单神经元自适应控制律进行控制。仿真程序：chap9_1.m,9.3.2 仿真实例,被控对象为,9.4 RBF网络监督控制9.4.1 RBF网络监督控制算法 基于RBF网络的监督控制系统结构如图9-14所示。,图9-14 神经网络监督控制,在RBF网络结构中，取网络的输入为，网络的径向基向量为，为高斯基函数：,其中，为节点 的基宽度参数，为网络第个结点的中心矢量，。,网络的权向量为：RBF网络的输出为：其中 为RBF网络隐层神经元的个数。,控制律为：,设神经网络调整的性能指标为：,采用梯度下降法调整网络的权值：,近似地取,由此所产生的不精确通过权值调节来补偿。,神经网络权值的调整过程为：其中 为学习速率，为动量因子。,则,9.4.2 仿真实例被控对象为：,RBF网络监督控制程序为chap9_2.m,9.5 RBF网络自校正控制,9.5.1 神经网络自校正控制原理 自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。,神经间接自校正控制结构如图9-17所示，它由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路。（2）神经网络辩识器与控制器设计，以得到控制器的参数。辩识器与自校正控制器的在线设计是自校正控制实现的关键。,图9-17 神经网络间接自校正控制框图,9.5.2 自校正控制算法 考虑被控对象：其中，分别为对象的输入、输出，为非零函数。,若，已知，根据“确定性等价原则”，控制器的控制算法为：,若，未知，则通过在线训练神经网络辨识器，由辨识器结果、代替、，控制器的控制算法为：,9.5.3 RBF网络自校正控制算法 采用两个RBF网络分别实现未知项、的辨识。RBF网络辨识器的结构如图9-18所示，和 分别为两个神经网络的权值向量。,图9-18 神经网络辨识器,在RBF网络结构中，取网络的输入为，网络的径向基向量为，为高斯基函数：其中。为节点 的基宽度参数，为网络第 个结点的中心矢量，。,两个RBF网络的输出分别为：,辨识后，对象的输出为：,其中 为RBF网络隐层神经元的个数。,网络的权向量为：,采用梯度下降法调整网络的权值：,设神经网络调整的性能指标为：,神经网络自校正控制系统的结构如图9-19所示。,神经网络权值的调整过程为：,其中 和 为学习速率，为动量因子。,图9-19 神经网络自校正控制框图,9.5.4 仿真实例被控对象为：其中，。,RBF网络自校正控制程序为chap9_3.m。,9.6 基于RBF网络直接模型参考自适应控制9.6.1 基于RBF网络的控制器设计 控制系统的结构如图9-23所示。,设参考模型输出为，控制系统要求对象的输出 能够跟踪参考模型的输出。,则跟踪误差为：,图9-23 基于RBF网络的直接模型参考自适应控制,指标函数为：控制器为RBF网络的输出：其中 为RBF网络隐层神经元的个数，为第 个网络隐层神经元与输出层之间的连接权，为第个 隐层神经元的输出。,在RBF网络结构中，为网络的输入向量。RBF网络的径向基向量为，为高斯基函数：其中，为节点 的基宽度参数，为网络第 个结点的中心矢量，。,网络的权向量为：按梯度下降法及链式法则，可得权值的学习算法如下：其中 为学习速率，为动量因子。,同理，可得RBF网络隐层神经元的高斯函数的中心参数及基宽的学习算法如下：,在学习算法中，称为 信息，表示系统的输出对控制输入的敏感性，其值可由神经网络辨识而得。在神经网络算法中，对 值的精确度要求不是很高，不精确部分可通过网络参数及权值的调整来修正，关键是其符号，因此可用 的正负号来代替，这样可使算法更加简单。,9.6.2 仿真实例 被控对象为一非线性模型：,取采样周期为，参考模型为，其中 为正弦信号，。,RBF网络直接模型参考自适应控制程序为chap9_4.m,