Matlab中的NN工具箱课件

第二章Matlab中的NN工具箱中南大学智能系统与智能软件研究所第二章Matlab中的NN工具箱中南大学智能系统与智能软感知器的函数应用绘制样本点函数plotpv可以在坐标图中绘出已知给定的样本点与类别，调用格式plotpv(X,T)X、T分别为输入输出向量如：X=[0011;0101];T=[0111];plotpv(X,T);

2感知器的函数应用绘制样本点函数plotpv2感知器的函数应用3感知器的函数应用3感知器的函数应用画出感知器分类线函数plotpc在输入空间中用一个平面或者直线画出分类的样本区域，调用格式plotpc(w,b)

初始化函数initp可建立一个单层的感知器模型，调用格式[W,b]=initp(R,S)R为输入个数，S为输出个数[W,b]=initp(X,T)X、T分别为输入输出向量如：X=[0011;0101];T=[0111];[W,b]=initp(X,T);plotpv(X,T);plotpc(W,b);

4感知器的函数应用画出感知器分类线函数plotpc4感知器的函数应用

感知器训练函数trainp训练感知器模型，调用格式[W,B,epochs,errors]=trainp(w,b,X,T,tp)w为权值，b为网络的阈值，X为初始输入向量，T为目标向量tp＝[disp_freq,max_epoch]为训练控制参数，W与B为训练后权值与阈值如：X=[0011;0101];T=[0111];[W,b]=initp(X,T);tp=[120];[W,b,epochs,errors]=trainp(W,b,X,T,tp)plotpv(X,T);plotpc(W,b);

5感知器的函数应用感知器训练函数trainp5感知器的函数应用

感知器仿真函数simup训练感知器模型，调用格式Y=simup(X,w,b);w为权值，b为网络的阈值，X为初始输入向量，Y为网络的实际输出向量6感知器的函数应用感知器仿真函数simup6感知器的函数应用

X=[0011;0101];T=[0111];plotpv(X,T);[W,b]=initp(X,T);figure;plotpv(X,T);plotpc(W,b);figure;[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=simup(X1,W,b);7感知器的函数应用X=[0011;0101];T建立感知器函数net=newp(Xr,S,Tf,Lf)Xr为输入向量矩阵，S表示神经元个数，Tf表示激活函数，Lf为学习函数，net为生成的新感知器神经网络。net=newp([-11;-11],1);Handle=plotpc(net.iw{1},net.b{1});8建立感知器函数8神经网络的函数应用初始化神经网络函数利用该函数可以对一个已经存在的神经网络进行初始值修正，网络的权值与阈值是按照网络的初始化函数进行修正的，格式net=init(NET);NET为初始化前的网络，net为初始化后的网络。9神经网络的函数应用初始化神经网络函数9神经网络的函数应用神经网络训练函数这是一个通用的网络训练函数，训练函数重复的把一组输入向量应用到一个网络上，每次都更新网络，知道达到一个准则，停止训练的规则可能是最大学习步数，最小误差等，格式[net，tr]=train(NET,X,T,Pi,Ai);NET为要训练的网络，X，T分别为输入向量与教师信号，Pi为初始输入延时，Ai表示层延时，net为训练后网络，tr表示训练步数和性能。10神经网络的函数应用神经网络训练函数10神经网络的函数应用X=[-0.5-0.50.3-0.10.200.60.8;-0.50.5-0.510.5-0.90.8-0.6];T=[11011010];net=newp([-11;-11],1);net.performFcn='mae';net.trainParam.goal=0.01;net.trainParam.epochs=50;net.trainParam.show=1;net.trainParam.mc=0.95;[net1,tr]=train(net,X,T);11神经网络的函数应用X=[-0.5-0.50.3-0.1神经网络的函数应用

网络的仿真函数sim神经网络训练完成后，网络的权值与阈值就确定下来了，就可以用来解决实际问题了。Sim函数就是在实际训练完成后来解决实际问题的。[Y，Xf，Af]＝sim(net,X,Xi,Ai);net为训练好的网络，X为输入矩阵，Xi输入延时，Ai为层延时。Y表示网络的实际输出向量矩阵。12神经网络的函数应用网络的仿真函数sim12神经网络的函数应用

例如testX=[-0.50.3-0.90.4-0.10.2-0.60.80.10.4;-0.3-0.8-0.4-0.70.4-0.60.1-0.5-0.50.3];y=sim(net1,testX);figure;plotpv(testX,y);plotpc(net1.iw{1},net1.b{1});13神经网络的函数应用例如13神经网络的函数应用

例：能对三个输入进行分类的感知器网络X=[-11-11-11-11;-1-111-1-111;-1-1-1-11111];T=[01001101];plotpv(X,T);[W,b]=initp(X,T);figure;plotpv(X,T);plotpc(W,b);

figure;[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=sim(X1,W,b);14神经网络的函数应用例：能对三个输入进行分类的感知器网络14神经网络的函数应用

例：能对四个输入进行分类的感知器网络X=[0.10.70.80.810.30-0.3-0.5-1.5;1.21.81.60.60.80.50.20.5-1.5-1.3];T=[1110011100;0000011111];[W,b]=initp(X,T);

[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=simup(X1,W,b);15神经网络的函数应用例：能对四个输入进行分类的感知器网络15BP网络的函数应用

bp网络的初始化函数[W,B]=initff(Xr,S,’Tf’);[W1,B1,W2,B2]=initff(Xr,S1,’Tf1’,S2,’Tf2’);例子：X=[sin(0:100);cos([0:100]*2)];[W1,B1,W2,B2]=initff(X,8,'tansig',5,'purelin');16BP网络的函数应用bp网络的初始化函数16BP网络的函数应用

bp网络的训练函数[W,B,te,tr]=trainbp(w,b,’Tf’,X,T,tp);bp网络的仿真函数Y=simuff(X,w,b,’Tf’);17BP网络的函数应用bp网络的训练函数17基于simulink的神经网络控制系统

模块的生成函数gensimgensim（net，st）X=[12345];T=[13579];net=newlind(X,T);y=sim(net,X);gensim(net,-1)18基于simulink的神经网络控制系统模块的生成函数gen基于simulink的神经网络控制系统

例子：建立一个感知器网络，使其能够完成“与”的功能X=[0011;0101];T=[0001];net1=newp([-11;-11],1);net1=train(net1,X,T);y=sim(net1,X);gensim(net1,-1)19基于simulink的神经网络控制系统例子：建立一个感知器基于simulink的典型神经网络控制系统

神经网络模型预测控制反馈线性化控制模型参考控制20基于simulink的典型神经网络控制系统神经网络模型预测基于simulink的典型神经网络控制系统

神经网络模型预测控制搅拌器控制系统例子predcstr21基于simulink的典型神经网络控制系统神经网络模型预测基于simulink的典型神经网络控制系统

反馈线性化控制磁悬浮控制系统例子narmamaglev22基于simulink的典型神经网络控制系统反馈线性化控制2基于simulink的典型神经网络控制系统

模型参考控制机械臂控制mrefrobotarm23基于simulink的典型神经网络控制系统模型参考控制231.1智能控制的发展与定义图1-1自动控制的发展过程开环控制确定性反馈控制最优控制随机控制自适应/鲁棒控制自学习控制智能控制进展方向控制复杂性241.1智能控制的发展与定义图1-1自动控制的发展过程开环1.1.2

智能控制的定义1.1智能控制的发展与定义智能控制系统能够在定形或不定形、熟悉或不熟悉的环境中自主地或与操作人员交互作用以执行各种拟人任务的机器。能按规定程序对机器或装置进行自动操作或控制的过程。驱动智能机器自主实现其目标的过程。用于驱动自主智能机器以实现其目标而无需人员干预的系统叫智能控制系统。智能机器自动控制智能控制251.1.2智能控制的定义1.1智能控制的发展与定义智能Astrom对智能控制系统的定义在传统的控制理论中融入诸如逻辑、推理和启发式机制等非常规的数学手段而构成的一种更为灵活的控制系统。26Astrom对智能控制系统的定义26IEEE对ICS的规定目前对ICS还没有一个完整的定义.IEEEControlSystemSociety的TechnicalCommitteeonIntelligentControl对ICS的generalcharacteristics作了如下规定:Anabilitytoemulatehumancapabilities,suchasplanning,learningandadaptation.27IEEE对ICS的规定目前对ICS还没有一个完整的定义.1.2

智能控制的结构理论与特点

(StructuralTheoriesandFeatureofIntelligentControl)

1.2.1

智能控制的结构理论二元结构傅京孙(K.S.Fu)首先论述了人工智能与自动控制的交接关系，指出“智能控制系统描述自动控制系统与人工智能的交接作用”。AIACIC图1-2智能控制的二元结构281.2智能控制的结构理论与特点

(Structural2.三元结构萨里迪斯(Saridis)认为，二元交集的两元互相支配无助于智能控制的有效和成功应用，必须把远筹学的概念引入智能控制，使它成为三元交集中的一个子集。萨里迪斯提出分级智能控制系统，由3个智能(感知)级组成：组织级、协调级、执行级。1.2智能控制的结构理论与特点图1-3智能控制的三元结构AIORICCT292.三元结构萨里迪斯(Saridis)认为，二元交集的两元组织器分配器协调器n协调器1硬件控制器1硬件控制器n过程1过程n图1-4分级智能控制系统组织级协调级执行级1.2智能控制的结构理论与特点30组织器分配器协调器n协调器1硬件控制器1硬件控制器n过程1过3.四元结构蔡自兴提出四元智能控制结构，把智能控制看做自动控制、人工智能、信息论和运筹学四个学科的交集。ACICAIORIN图1-5智能控制的四元结构1.2智能控制的结构理论与特点313.四元结构蔡自兴提出四元智能控制结信息论作为智能控制结构一个子集的理由：信息论是解释知识和智能的一种手段；控制论、系统论和信息论是紧密相互作用的；信息论已成为控制智能机器的工具；信息熵成为智能控制的测度；信息论参与智能控制的全过程，并对执行级起到核心作用。32信息论作为智能控制结构一个子集的理由：321.2.2

智能控制器的一般结构不完全任务描述任务协商混合知识表示高层规划/控制常规控制过程各种驱动器世界（环境）各种传感器多传感器感知系统图1-6智能控制器的一般结构1.2智能控制的结构理论与特点331.2.2智能控制器的一般结构不完全任务描述任务协商混合1.2.3

智能控制的特点智能控制以知识进行推理，以启发引导求解过程。智能控制的核心在高层控制，即组织级。智能控制是一门边缘交叉学科。智能控制是一个新兴的研究领域。1.2智能控制的结构理论与特点341.2.3智能控制的特点智能控制以知识进行推理，以启发引1.3

智能控制的研究领域

(ResearchFieldsofIntelligentControl)智能机器人随着机器人技术的发展和自动化程度的提高，对机器人的功能提出更高的要求，特别是各种具有不同程度智能的机器人，包括空间智能机器人。智能过程控制与规划

差异过程规划；生成过程规划；基于知识的过程规划。351.3智能控制的研究领域

(Research专家控制系统智能调度语音控制机器人控制智能仪器1.3智能控制的研究领域36专家控制系统1.3智能控制的研究领域361.4智能控制系统

(IntelligentControlSystems)

1.4.1递阶控制系统递阶智能控制(hierarchicallyintelligentcontrol)是从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，是智能控制的最早理论之一。两种分级递阶控制理论:基于知识/解析混合多层智能控制理论以及递阶智能控制理论。371.4智能控制系统

(Intelligent1.定义与假设智能控制系统各级的共同要素涉及机器各种作用的不确定性，采用概率模型来描述这些具有共同度量的作用，即它们各自的熵(entropies)。组织级：以知识为主体，用香农熵来衡量所需知识。协调级：以概率描述的决策方式来表示，这些方案的熵用于度量协调的不确定性。执行级：执行代价等价于系统所消耗的能量，并由Boltzman的熵来表示。1.4智能控制系统381.定义与假设智能控制系统各级的2.组织级与知识基系统组织器(organizer)是智能控制的最高级，它的功能是建立在几个人工智能(基于知识)概念基础上的。这些概念转换为概率模型，表示推理、规划、决策、长时记忆交换和反馈学习等功能，以规定一个响应外部指令的任务。1.4智能控制系统机器推理机器规划机器决策协调级长期存储交换单元自顶向下自底向上uj规划输出YF编译指令输入图1-7组织级的结构框图392.组织级与知识基系统组织器(or3.协调级与嵌套树协调级的目标是把控制问题的实际公式与最有希望的完全的协调规划联系起来，包括在可供选择的原本中挑选一个规划。协调级由一定数目的协调器组成，每个协调器与执行级的具体硬件(执行装置)连接。当某个指令由相应的协调器发送至执行装置时，这些装置就执行规定好的任务。这种结构意味着：协调级不具有推理能力。1.4智能控制系统403.协调级与嵌套树协调级的目标是把控制问题的实际公式与最有4.具有熵函数的执行级执行级是递阶智能控制的最底层，要求具有较高的精度和较低的智能；按控制论进行控制。执行级的性能也可由熵来表示，因而统一了智能机器的功用。此熵的量度选择一适当的控制，以执行某任务的不确定性。我们能够选择某个最优控制使此熵(即执行的不确定性)为最小。1.4智能控制系统414.具有熵函数的执行级执行级是递阶智能控制的最底层，要求具1.4.2专家控制系统(ExpertControlSystem)对专家控制器的控制要求运行可靠性高决策能力强应用通用性好控制与处理的灵活性拟人能力专家控制器的特点与设计原则模型描述的多样性决策机构的递阶性在线处理的灵巧性推理与决策的实时性控制策略的灵活性1.4智能控制系统421.4.2专家控制系统(ExpertControlS3.专家控制器的结构知识库由经验数据库和学习与适应装置组成。经验数据库存储经验和事实；学习与适应装置在线获取信息，补充或修改知识库内容，改进系统性能，提高问题求解能力。1.4智能控制系统e学习与适应装置数据库专家控制器特征识别信息处理推理机控制规则集控制对象传感器RYESKGUYu图1-8工业专家控制器结构框图433.专家控制器的结构知识库由经验数控制规则集是对被控过程的各种控制模式和经验的归纳和总结，采用向前推理方法逐次判别各种规则。特征识别与信息处理实现信息的提取与加工，为控制决策和学习适应提供依据。专家控制器的输入集为：E=(R,e,Y,U)，e=R–Y式中，Ｒ为参考控制输入，ｅ为误差信号，Ｙ为受控输出，Ｕ为控制器的输出集。专家控制器的模型可用式U=f(E,K,I)表示，智能算子f为几个算子的复合运算：f=g·h·p，其中：g:E→S；h:S×K→I；p:I→U1.4智能控制系统44控制规则集是对被控过程的各种控制模式和经验的归纳和总结，采用智能控制的几个重要分支

模糊控制传统控制方法均是建立在被控对象精确数学模型基础上的，然而，随着系统复杂程度的提高，将难以建立系统的精确数学模型。在工程实践中，人们发现，一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果。这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。45智能控制的几个重要分支451965年美国加州大学自动控制系L.A.Zedeh提出模糊集合理论，奠定了模糊控制的基础；1974年伦敦大学的Mamdani博士利用模糊逻辑，开发了世界上第一台模糊控制的蒸汽机，从而开创了模糊控制的历史；461965年美国加州大学自动控制系L.A.Zedeh提出模糊集1983年日本富士电机开创了模糊控制在日本的第一项应用—水净化处理，之后，富士电机致力于模糊逻辑元件的开发与研究，并于1987年在仙台地铁线上采用了模糊控制技术，1989年将模糊控制消费品推向高潮，使日本成为模糊控制技术的主导国家。模糊控制的发展可分为三个阶段：471983年日本富士电机开创了模糊控制在日本的第一项应用—水净（1）1965年-1974年为模糊控制发展的第一阶段，即模糊数学发展和形成阶段；（2）1974年-1979年为模糊控制发展的第二阶段，产生了简单的模糊控制器；（3）1979年—现在为模糊控制发展的第三阶段，即高性能模糊控制阶段。48（1）1965年-1974年为模糊控制发展的第一阶段，即模糊1.4.3模糊控制系统

1.模糊控制器的结构模糊控制器由N维关系R表示，R可视为[0，1]区间的几个N维关系Ri的组合，每个Ri代表一条规则ri。控制器的输入x被模糊化为关系X；模糊输出Y可应用合成推理规则进行计算；对模糊输出Y进行非模糊化(模糊判决)，可得精确的数值输出y。1.4智能控制系统图1.9理论模糊控制器框图模糊化Y=X○R模糊判决XYyx491.4.3模糊控制系统

1.模糊控制器的结构1.4智能控制系统图1.10模糊控制器的一般框图模糊化模糊决策模糊判决XYyx输入定标输出定标标度因子规则库隶属关系标度因子原精确值输入原精确值输出标准精确输入模糊输入模糊输出标准精确输出501.4智能控制系统图1.10模糊控制器的一般框图模2.模糊控制器的控制规则现有FLC中，控制规则一般为如下形式：IF<过程状态>THEN<控制作用>3.模糊控制器的设计方法语言相平面法；专家系统法CAD环境工具；遗传优化算法专家模糊控制器（EFC）容许复杂的分级规则，如：IF〈过程状态1〉THEN〈中间变量1〉IF〈中间变量N〉THEN〈控制作用〉......1.4智能控制系统512.模糊控制器的控制规则现有FLC中，控制规则一般为如下1.4.4学习控制系统

1.学习控制的发展及研究课题学习控制的发展学习控制的研究课题

在非稳定环境中的学习提高学习效率学习系统的多级结构

结束规则把模糊数学用于学习系统直觉推理的应用文法推理1.4智能控制系统521.4.4学习控制系统

1.学习控制的发展及研究课题2.学习控制的设计原则控制系统应具有分层信息处理和决策能力控制器应具有在线特征辨识和特征记忆的功能控制器应具有多模态控制应用直觉推理逻辑，使控制器的决策更灵活和迅速，以提高自学习效率。1.4智能控制系统532.学习控制的设计原则控制系统应具有分层信息处理和决策能神经网络控制

神经网络的研究已经有几十年的历史。1943年McCulloch和Pitts提出了神经元数学模型；1950年-1980年为神经网络的形成期，有少量成果，如1975年Albus提出了人脑记忆模型CMAC网络，1976年Grossberg提出了用于无导师指导下模式分类的自组织网络；54神经网络控制

541980年以后为神经网络的发展期，1982年Hopfield提出了Hopfield网络，解决了回归网络的学习问题，1986年美国的PDP研究小组提出了BP网络，实现了有导师指导下的网络学习，为神经网络的应用开辟了广阔的发展前景。将神经网络引入控制领域就形成了神经网络控制。551980年以后为神经网络的发展期，1982年Hopfield

神经网络控制是从机理上对人脑生理系统进行简单结构模拟的一种新兴智能控制方法。神经网络具有并行机制、模式识别、记忆和自学习能力的特点，它能充分逼近任意复杂的非线性系统，能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性等，因此，神经网络控制在控制领域有广泛的应用。56神经网络控制是从机理上对人脑生理系统进行简单结构模拟1.4.5神经控制系统

1.神经控制研究的发展及特性

发展1960年，威德罗(Widrow)和霍夫(Hoff)率先把神经网络用于自动控制研究。60年代末期至80年代中期，神经网络控制与整个神经网络研究一样，处于低潮。80年代后期以来，神经网络控制的研究日趋活跃。1.4智能控制系统571.4.5神经控制系统

1.神经控制研究的发展及特神经网络的特性并行处理和快速性，适于实时控制和动力学控制。本质非线性特性，为非线性控制带来新的希望。可通过训练获得学习能力，能解决用数学模型或规则描述难以处理或无法处理的控制过程。很强的自适应能力和信息综合能力，能同时处理大量的不同类型的控制输入，解决输入信息的互补性和冗余性问题。1.4智能控制系统58神经网络的特性并行处理和快速性，适于实时控制和动力学控制。12.神经网络学习控制1.4智能控制系统图1.11监督式学习NN控制器的结构监督对象受控对象NNCr(t)e(t)u(t)y(t)+-+-选择器592.神经网络学习控制1.4智能控制系统图1.11监督式实现SNC包括下列步骤：通过传感器及传感信息处理获取必要的控制信息。构造神经网络，包括选择合适的神经网络类型、结构参数和学习算法等。训练SNC，实现从输入到输出的映射，产生正确控制。1.4智能控制系统60实现SNC包括下列步骤：1.4智能控制系统603.神经网络非线性控制1.4智能控制系统图1.12神经元预测控制器结构图对象NLONNP过滤器r(t)e(t)u(t)y(t)de(t)+-+-y(t+k)^

NLO—非线性优化器NNP—神经网络预测器613.神经网络非线性控制1.4智能控制系统图1.12神经预测控制算法的本质是预测模型、滚动优化和反馈校正。预测模型用于描述控制对象的动态行为，根据系统当前输入和输出信息以及未来输出信息，预测未来的输出值。1.4智能控制系统62预测控制算法的本质是预测模型、滚动优化和反馈校正。预测模型用4.神经网络自适应控制模型参考自适应控制(MRAC)多采用间接控制方式。训练时，随意产生控制器输出传送至对象，由该输出信号和对象的实际输出来训练控制器，使控制器最终能够产生正确的控制信号，以求对象输出尽可能地接近期望轨迹。

5.其它神经网络控制神经网络鲁棒自适应控制、模糊神经网络控制、神经网络变结构控制、神经网络自寻优控制、神经网络自校正控制,……1.4智能控制系统634.神经网络自适应控制模型参考自适1.5智能控制应用示例

(IntelligentControlApplication)1.智能机器人规划与控制感知状况环境传感器信息处理传感器数值目标选择任务分解驱动器世界模型数据库事件作用评价预测状况规划内部外部

图1-13MAUV的智能控制原理结构图641.5智能控制应用示例

(Intelligen2.智能机器人规划与控制3.自动加工系统的智能控制4.智能故障检测与诊断5.飞行器的智能控制6.医用智能控制7.智能仪器652.智能机器人规划与控制651.6小结(Summary)本章着重讨论了智能控制的结构理论和特点，现存的智能控制结构理论有二元、三元和四元交集等理论。本章另一重点是各种智能控制系统的原理与构成，分别介绍了分级递阶智能控制、专家控制、模糊控制、学习控制和神经控制等系统。本章还阐述了智能控制的研究领域及应用实例。智能控制的研究领域是十分广泛和高度交叉的，它的应用也日益广泛。661.6小结(Summary)本章着重讨论了智能控制第二章Matlab中的NN工具箱中南大学智能系统与智能软件研究所第二章Matlab中的NN工具箱中南大学智能系统与智能软感知器的函数应用绘制样本点函数plotpv可以在坐标图中绘出已知给定的样本点与类别，调用格式plotpv(X,T)X、T分别为输入输出向量如：X=[0011;0101];T=[0111];plotpv(X,T);

68感知器的函数应用绘制样本点函数plotpv2感知器的函数应用69感知器的函数应用3感知器的函数应用画出感知器分类线函数plotpc在输入空间中用一个平面或者直线画出分类的样本区域，调用格式plotpc(w,b)

初始化函数initp可建立一个单层的感知器模型，调用格式[W,b]=initp(R,S)R为输入个数，S为输出个数[W,b]=initp(X,T)X、T分别为输入输出向量如：X=[0011;0101];T=[0111];[W,b]=initp(X,T);plotpv(X,T);plotpc(W,b);

70感知器的函数应用画出感知器分类线函数plotpc4感知器的函数应用

感知器训练函数trainp训练感知器模型，调用格式[W,B,epochs,errors]=trainp(w,b,X,T,tp)w为权值，b为网络的阈值，X为初始输入向量，T为目标向量tp＝[disp_freq,max_epoch]为训练控制参数，W与B为训练后权值与阈值如：X=[0011;0101];T=[0111];[W,b]=initp(X,T);tp=[120];[W,b,epochs,errors]=trainp(W,b,X,T,tp)plotpv(X,T);plotpc(W,b);

71感知器的函数应用感知器训练函数trainp5感知器的函数应用

感知器仿真函数simup训练感知器模型，调用格式Y=simup(X,w,b);w为权值，b为网络的阈值，X为初始输入向量，Y为网络的实际输出向量72感知器的函数应用感知器仿真函数simup6感知器的函数应用

X=[0011;0101];T=[0111];plotpv(X,T);[W,b]=initp(X,T);figure;plotpv(X,T);plotpc(W,b);figure;[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=simup(X1,W,b);73感知器的函数应用X=[0011;0101];T建立感知器函数net=newp(Xr,S,Tf,Lf)Xr为输入向量矩阵，S表示神经元个数，Tf表示激活函数，Lf为学习函数，net为生成的新感知器神经网络。net=newp([-11;-11],1);Handle=plotpc(net.iw{1},net.b{1});74建立感知器函数8神经网络的函数应用初始化神经网络函数利用该函数可以对一个已经存在的神经网络进行初始值修正，网络的权值与阈值是按照网络的初始化函数进行修正的，格式net=init(NET);NET为初始化前的网络，net为初始化后的网络。75神经网络的函数应用初始化神经网络函数9神经网络的函数应用神经网络训练函数这是一个通用的网络训练函数，训练函数重复的把一组输入向量应用到一个网络上，每次都更新网络，知道达到一个准则，停止训练的规则可能是最大学习步数，最小误差等，格式[net，tr]=train(NET,X,T,Pi,Ai);NET为要训练的网络，X，T分别为输入向量与教师信号，Pi为初始输入延时，Ai表示层延时，net为训练后网络，tr表示训练步数和性能。76神经网络的函数应用神经网络训练函数10神经网络的函数应用X=[-0.5-0.50.3-0.10.200.60.8;-0.50.5-0.510.5-0.90.8-0.6];T=[11011010];net=newp([-11;-11],1);net.performFcn='mae';net.trainParam.goal=0.01;net.trainParam.epochs=50;net.trainParam.show=1;net.trainParam.mc=0.95;[net1,tr]=train(net,X,T);77神经网络的函数应用X=[-0.5-0.50.3-0.1神经网络的函数应用

网络的仿真函数sim神经网络训练完成后，网络的权值与阈值就确定下来了，就可以用来解决实际问题了。Sim函数就是在实际训练完成后来解决实际问题的。[Y，Xf，Af]＝sim(net,X,Xi,Ai);net为训练好的网络，X为输入矩阵，Xi输入延时，Ai为层延时。Y表示网络的实际输出向量矩阵。78神经网络的函数应用网络的仿真函数sim12神经网络的函数应用

例如testX=[-0.50.3-0.90.4-0.10.2-0.60.80.10.4;-0.3-0.8-0.4-0.70.4-0.60.1-0.5-0.50.3];y=sim(net1,testX);figure;plotpv(testX,y);plotpc(net1.iw{1},net1.b{1});79神经网络的函数应用例如13神经网络的函数应用

例：能对三个输入进行分类的感知器网络X=[-11-11-11-11;-1-111-1-111;-1-1-1-11111];T=[01001101];plotpv(X,T);[W,b]=initp(X,T);figure;plotpv(X,T);plotpc(W,b);

figure;[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=sim(X1,W,b);80神经网络的函数应用例：能对三个输入进行分类的感知器网络14神经网络的函数应用

例：能对四个输入进行分类的感知器网络X=[0.10.70.80.810.30-0.3-0.5-1.5;1.21.81.60.60.80.50.20.5-1.5-1.3];T=[1110011100;0000011111];[W,b]=initp(X,T);

[W,b,epochs,errors]=trainp(W,b,X,T,-1);figure;ploterr(errors);X1=X;y=simup(X1,W,b);81神经网络的函数应用例：能对四个输入进行分类的感知器网络15BP网络的函数应用

bp网络的初始化函数[W,B]=initff(Xr,S,’Tf’);[W1,B1,W2,B2]=initff(Xr,S1,’Tf1’,S2,’Tf2’);例子：X=[sin(0:100);cos([0:100]*2)];[W1,B1,W2,B2]=initff(X,8,'tansig',5,'purelin');82BP网络的函数应用bp网络的初始化函数16BP网络的函数应用

bp网络的训练函数[W,B,te,tr]=trainbp(w,b,’Tf’,X,T,tp);bp网络的仿真函数Y=simuff(X,w,b,’Tf’);83BP网络的函数应用bp网络的训练函数17基于simulink的神经网络控制系统

模块的生成函数gensimgensim（net，st）X=[12345];T=[13579];net=newlind(X,T);y=sim(net,X);gensim(net,-1)84基于simulink的神经网络控制系统模块的生成函数gen基于simulink的神经网络控制系统

例子：建立一个感知器网络，使其能够完成“与”的功能X=[0011;0101];T=[0001];net1=newp([-11;-11],1);net1=train(net1,X,T);y=sim(net1,X);gensim(net1,-1)85基于simulink的神经网络控制系统例子：建立一个感知器基于simulink的典型神经网络控制系统

神经网络模型预测控制反馈线性化控制模型参考控制86基于simulink的典型神经网络控制系统神经网络模型预测基于simulink的典型神经网络控制系统

神经网络模型预测控制搅拌器控制系统例子predcstr87基于simulink的典型神经网络控制系统神经网络模型预测基于simulink的典型神经网络控制系统

反馈线性化控制磁悬浮控制系统例子narmamaglev88基于simulink的典型神经网络控制系统反馈线性化控制2基于simulink的典型神经网络控制系统

模型参考控制机械臂控制mrefrobotarm89基于simulink的典型神经网络控制系统模型参考控制231.1智能控制的发展与定义图1-1自动控制的发展过程开环控制确定性反馈控制最优控制随机控制自适应/鲁棒控制自学习控制智能控制进展方向控制复杂性901.1智能控制的发展与定义图1-1自动控制的发展过程开环1.1.2

智能控制的定义1.1智能控制的发展与定义智能控制系统能够在定形或不定形、熟悉或不熟悉的环境中自主地或与操作人员交互作用以执行各种拟人任务的机器。能按规定程序对机器或装置进行自动操作或控制的过程。驱动智能机器自主实现其目标的过程。用于驱动自主智能机器以实现其目标而无需人员干预的系统叫智能控制系统。智能机器自动控制智能控制911.1.2智能控制的定义1.1智能控制的发展与定义智能Astrom对智能控制系统的定义在传统的控制理论中融入诸如逻辑、推理和启发式机制等非常规的数学手段而构成的一种更为灵活的控制系统。92Astrom对智能控制系统的定义26IEEE对ICS的规定目前对ICS还没有一个完整的定义.IEEEControlSystemSociety的TechnicalCommitteeonIntelligentControl对ICS的generalcharacteristics作了如下规定:Anabilitytoemulatehumancapabilities,suchasplanning,learningandadaptation.93IEEE对ICS的规定目前对ICS还没有一个完整的定义.1.2

智能控制的结构理论与特点

(StructuralTheoriesandFeatureofIntelligentControl)

1.2.1

智能控制的结构理论二元结构傅京孙(K.S.Fu)首先论述了人工智能与自动控制的交接关系，指出“智能控制系统描述自动控制系统与人工智能的交接作用”。AIACIC图1-2智能控制的二元结构941.2智能控制的结构理论与特点

(Structural2.三元结构萨里迪斯(Saridis)认为，二元交集的两元互相支配无助于智能控制的有效和成功应用，必须把远筹学的概念引入智能控制，使它成为三元交集中的一个子集。萨里迪斯提出分级智能控制系统，由3个智能(感知)级组成：组织级、协调级、执行级。1.2智能控制的结构理论与特点图1-3智能控制的三元结构AIORICCT952.三元结构萨里迪斯(Saridis)认为，二元交集的两元组织器分配器协调器n协调器1硬件控制器1硬件控制器n过程1过程n图1-4分级智能控制系统组织级协调级执行级1.2智能控制的结构理论与特点96组织器分配器协调器n协调器1硬件控制器1硬件控制器n过程1过3.四元结构蔡自兴提出四元智能控制结构，把智能控制看做自动控制、人工智能、信息论和运筹学四个学科的交集。ACICAIORIN图1-5智能控制的四元结构1.2智能控制的结构理论与特点973.四元结构蔡自兴提出四元智能控制结信息论作为智能控制结构一个子集的理由：信息论是解释知识和智能的一种手段；控制论、系统论和信息论是紧密相互作用的；信息论已成为控制智能机器的工具；信息熵成为智能控制的测度；信息论参与智能控制的全过程，并对执行级起到核心作用。98信息论作为智能控制结构一个子集的理由：321.2.2

智能控制器的一般结构不完全任务描述任务协商混合知识表示高层规划/控制常规控制过程各种驱动器世界（环境）各种传感器多传感器感知系统图1-6智能控制器的一般结构1.2智能控制的结构理论与特点991.2.2智能控制器的一般结构不完全任务描述任务协商混合1.2.3

智能控制的特点智能控制以知识进行推理，以启发引导求解过程。智能控制的核心在高层控制，即组织级。智能控制是一门边缘交叉学科。智能控制是一个新兴的研究领域。1.2智能控制的结构理论与特点1001.2.3智能控制的特点智能控制以知识进行推理，以启发引1.3

智能控制的研究领域

(ResearchFieldsofIntelligentControl)智能机器人随着机器人技术的发展和自动化程度的提高，对机器人的功能提出更高的要求，特别是各种具有不同程度智能的机器人，包括空间智能机器人。智能过程控制与规划

差异过程规划；生成过程规划；基于知识的过程规划。1011.3智能控制的研究领域

(Research专家控制系统智能调度语音控制机器人控制智能仪器1.3智能控制的研究领域102专家控制系统1.3智能控制的研究领域361.4智能控制系统

(IntelligentControlSystems)

1.4.1递阶控制系统递阶智能控制(hierarchicallyintelligentcontrol)是从工程控制论的角度总结人工智能与自适应、自学习和自组织控制的关系之后而逐渐地形成的，是智能控制的最早理论之一。两种分级递阶控制理论:基于知识/解析混合多层智能控制理论以及递阶智能控制理论。1031.4智能控制系统

(Intelligent1.定义与假设智能控制系统各级的共同要素涉及机器各种作用的不确定性，采用概率模型来描述这些具有共同度量的作用，即它们各自的熵(entropies)。组织级：以知识为主体，用香农熵来衡量所需知识。协调级：以概率描述的决策方式来表示，这些方案的熵用于度量协调的不确定性。执行级：执行代价等价于系统所消耗的能量，并由Boltzman的熵来表示。1.4智能控制系统1041.定义与假设智能控制系统各级的2.组织级与知识基系统组织器(organizer)是智能控制的最高级，它的功能是建立在几个人工智能(基于知识)概念基础上的。这些概念转换为概率模型，表示推理、规划、决策、长时记忆交换和反馈学习等功能，以规定一个响应外部指令的任务。1.4智能控制系统机器推理机器规划机器决策协调级长期存储交换单元自顶向下自底向上uj规划输出YF编译指令输入图1-7组织级的结构框图1052.组织级与知识基系统组织器(or3.协调级与嵌套树协调级的目标是把控制问题的实际公式与最有希望的完全的协调规划联系起来，包括在可供选择的原本中挑选一个规划。协调级由一定数目的协调器组成，每个协调器与执行级的具体硬件(执行装置)连接。当某个指令由相应的协调器发送至执行装置时，这些装置就执行规定好的任务。这种结构意味着：协调级不具有推理能力。1.4智能控制系统1063.协调级与嵌套树协调级的目标是把控制问题的实际公式与最有4.具有熵函数的执行级执行级是递阶智能控制的最底层，要求具有较高的精度和较低的智能；按控制论进行控制。执行级的性能也可由熵来表示，因而统一了智能机器的功用。此熵的量度选择一适当的控制，以执行某任务的不确定性。我们能够选择某个最优控制使此熵(即执行的不确定性)为最小。1.4智能控制系统1074.具有熵函数的执行级执行级是递阶智能控制的最底层，要求具1.4.2专家控制系统(ExpertControlSystem)对专家控制器的控制要求运行可靠性高决策能力强应用通用性好控制与处理的灵活性拟人能力专家控制器的特点与设计原则模型描述的多样性决策机构的递阶性在线处理的灵巧性推理与决策的实时性控制策略的灵活性1.4智能控制系统1081.4.2专家控制系统(ExpertControlS3.专家控制器的结构知识库由经验数据库和学习与适应装置组成。经验数据库存储经验和事实；学习与适应装置在线获取信息，补充或修改知识库内容，改进系统性能，提高问题求解能力。1.4智能控制系统e学习与适应装置数据库专家控制器特征识别信息处理推理机控制规则集控制对象传感器RYESKGUYu图1-8工业专家控制器结构框图1093.专家控制器的结构知识库由经验数控制规则集是对被控过程的各种控制模式和经验的归纳和总结，采用向前推理方法逐次判别各种规则。特征识别与信息处理实现信息的提取与加工，为控制决策和学习适应提供依据。专家控制器的输入集为：E=(R,e,Y,U)，e=R–Y式中，Ｒ为参考控制输入，ｅ为误差信号，Ｙ为受控输出，Ｕ为控制器的输出集。专家控制器的模型可用式U=f(E,K,I)表示，智能算子f为几个算子的复合运算：f=g·h·p，其中：g:E→S；h:S×K→I；p:I→U1.4智能控制系统110控制规则集是对被控过程的各种控制模式和经验的归纳和总结，采用智能控制的几个重要分支

模糊控制传统控制方法均是建立在被控对象精确数学模型基础上的，然而，随着系统复杂程度的提高，将难以建立系统的精确数学模型。在工程实践中，人们发现，一个复杂的控制系统可由一个操作人员凭着丰富的实践经验得到满意的控制效果。这说明，如果通过模拟人脑的思维方法设计控制器，可实现复杂系统的控制，由此产生了模糊控制。111智能控制的几个重要分支451965年美国加州大学自动控制系L.A.Zedeh提出模糊集合理论，奠定了模糊控制的基础；1974年伦敦大学的Mamdani博士利用模糊逻辑，开发了世界上第一台模糊控制的蒸汽机，从而开创了模糊控制的历史；1121965年美国加州大学自动控制系L.A.Zedeh提出模糊集1983年日本富士电机开创了模糊控制在日本的第一项应用—水净化处理，之后，富士电机致力于模糊逻辑元件的开发与研究，并于1987年在仙台地铁线上采用了模糊控制技术，1989年将模糊控制消费品推向高潮，使日本成为模糊控制技术的主导国家。模糊控制的发展可分为三个阶段：1131983年日本富士电机开创了模糊控制在日本的第一项应用—水净（1）1965年-1974年为模糊控制发展的第一阶段，即模糊数学发展和形成阶段；（2）1974年-1979年为模糊控制发展的第二阶段，产生了简单的模糊控制器；（3）1979年—现在为模糊控制发展的第三阶段，即高性能模糊控制阶段。114（1）1965年-1974年为模糊控制发展的第一阶段，即模糊1.4.3模糊控制系统

1.模糊控制器的结构模糊控制器由N维关系R表示，R可视为[0，1]区间的几个N维关系Ri的组合，每个Ri代表一条规则ri。控制器的输入x被模糊化为关系X；模糊输出Y可应用合成推理规则进行计算；对模糊输出Y进行非模糊化(模糊判决)，可得精确的数值输出y。1.4智能控制系统图1.9理论模糊控制器框图模糊化Y=X○R模糊判决XYyx1151.4.3模糊控制系统

1.模糊控制器的结构1.4智能控制系统图1.10模糊控制器的一般框图模糊化模糊决策模糊判决XYyx输入定标输出定标标度因子规则库隶属关系标度因子原精确值输入原精确值输出标准精确输入模糊输入模糊输出标准精确输出1161.4智能控制系统图1.10模糊控制器的一般框图模2.模糊控制器的控制规则现有FLC中，控制规则一般为如下形式：IF<过程状态>THEN<控制作用>3.模糊控制器的设计方法语言相平面法；专家系统法CAD环境工具；遗传优化算法专家模糊控制器（EFC）容许复杂的分级规则，如：IF〈过程状态1〉THEN〈中间变量1〉IF〈中间变量N〉THEN〈控制作用〉......1.4智能控制系统1172.模糊控制器的控制规则现有FLC中，控制规则一般为如下1.4.4学习控制系统

1.学习控制的发展及研究课题学习控制的发展学习控制的研究课题

在非稳定环境中的学习提高学习效率学习系统的多级结构

结束规则把模糊数学用于学习系统直觉推理的应用文法推理1.4智能控制系统1181.4.4学