第章新型控制策略

第6章新型控制策略

为什么提出新型控制策略？

一方面，以PID为核心的传统控制方式是一种基于被控对象的精确数学模型的控制方式。

另一方面，随着工业生产的飞速发展，被控对象越来越复杂，难以用精确的数学模型描述。

显然，传统控制技术难以解决上述现实问题。因此，提出新型控制策略。

本部分主要介绍模糊控制技术、神经网络控制技术、预测控制、最优控制、自适应控制等智能控制或先进控制技术，用来解决那些使用传统控制方法难以解决的复杂对象、复杂环境、复杂任务的控制问题。我们主要介绍神经网络控制技术：

神经网络的理论基础，

典型神经网络，

神经网络控制。6.1神经网络的理论基础

人工神经网络(简称神经网络，artificialNeuralNetwork)是相对于生物学中所说的生物神经网络系统而言的。提出的目的就在于用一定的简单数学模型来对生物神经网络结构进行描述，并在一定的算法指导前提下，使其能在某种程度上模拟生物神经网络所具有的智能行为，解决用传统算法所不能胜任的智能信息处理问题。神经网络控制是将神经网络与控制理论相结合而发展起来的智能控制方法。它已成为智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。6.1.1神经网络发展简史神经网络研究始于1943年，至今已经历了50多年的漫长历程，并且不是从一开始就受到广泛关注的，而是经历了一条从兴起到萧条，又从萧条到兴盛的曲折发展道路。具体说来，大致可为以下4个阶段：2.低潮期（1969-1982年）受当时神经网络理论研究水平的限制，加之受到冯·诺依曼式计算机发展的冲击等因素的影响，神经网络的研究陷入低谷。但在美、日等国仍有少数学者继续着网络模型和学习算法的研究，提出了许多有意义的理论和方法。例如，1969年，Grossberg提出了至今为止最复杂的ART神经网络。1972年，Kohonen提出了自组织映射的SOM模型。3．复兴期（1982-1986年）1982年，物理学家Hopfield提出了Hopfield神经网络模型，该模型通过引入能量函数，实现了问题优化求解，1984年他用此模型成功地解决了旅行商路径优化问题(TSP)。这一成果的取得使神经网络的研究取得了突破性进展。

1986年，在Rumelhart和McCelland提出了一种著名的多层神经网络模型，即BP网络，该网络是迄今为止应用最普遍的神经网络。4．高潮时期(1986年至现在)神经网络从理论走向应用领域，出现了神经网络芯片和神经计算机。神经网络逐渐在模式识别与图像处理(语音、指纹、故障检测和图像压缩等)、控制与优化、预测与管理(市场预测、风险分析)、通信等领域得到成功的应用。6.1.2神经网络原理

单个（生物）神经元模型的示意图如下图所示。人脑大约包含1012个神经元，分成约1000种类型，每个神经元与102-104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式。神经系统的基本构造是神经元（神经细胞），它是处理人体内各部分之间信息传递的基本单元。每个神经元都由一个细胞体、一个连接其他神经元的轴突和一些向外伸出的较短分支——树突组成。轴突的功能是将本神经元的输出信号（兴奋）传递给别的神经元，其末端的许多神经末梢使得兴奋可以同时传递给多个神经元。树突的功能是接收来自其他神经元的兴奋。神经元细胞体将接收到的所有信号进行简单的处理，由轴突输出。神经元的轴突与另外神经元相连的部分称为突触。神经元由由4部分分构成：：(1)细细胞体体(主体体部分)：包括括细胞质质、细胞胞膜和细细胞核；；(2)树树突：：用于为为细胞体体传入信信息；(3)轴轴突：：为细胞胞体传出出信息，，其末端端是神经经末梢，，含传递递信息的的化学物物质；(4)突突触：：是神经经元之间间的接口口(104一105个每神经经元)。。一个神神经元通通过其轴轴突的神神经未梢梢，经突突触与另另外一个个神经元元的树突突连接，，以实现现信息的的传递。。由于突突触的信信息传递递特性是是可变的的，随着着神经冲冲动传递递方式的的变化，，传递作作用强弱弱不同，，形成了了神经元元之间连连接的柔柔性，称称为结构的可可塑性。神经元具具有如下下功能：：(1)兴兴奋奋与抑制制：如果传入入神经元元的冲动动经整合后后使细胞胞膜电位位升高，，超过动动作电位位的阈值值时即为为兴奋状状态，产生神神经冲动动，由轴轴突经神神经未梢梢传出。。如果传入入神经元元的冲动动经整合后后使细胞胞膜电位位降低，，低于动动作电位位的阈值值时即为为抑制状状态，不不产生神神经冲动动。(2)学学习习与遗忘忘：由于于神经元元结构的的可塑性性，突触触的传递递作用可可增强和和减弱，，因此，，神经元元具有学学习与遗遗忘的功功能。决定生物物神经网网络性能能的3大大要素为为：(1)神神经元(信息处处理单元元)的特特性；(2)神神经元之之间相互互连接的的形式-----拓扑扑结构；(3)为为适应环环境而改改善性能能的学习习规则。人工神经经网络是以工程程技术手手段来模模拟人脑脑神经元元网络的的结构与与特征的的系统。。利用人工工神经元元可以构构成各种种不同拓拓扑结构构的神经经网络。。它是生物物神经网网络的一一种模拟拟和近似似，具有有学习、、识别、、控制等等功能。。就神经网网络的主主要连接接形式而而言，目目前已有有数十种种不同的的神经网网络模型型，其中中，前馈馈型网络络和反馈馈型网络络是两种种典型的的结构（（模型））。（人工））神经网网络的研研究主要要分为3个方面面的内容容，即神神经网络络模型、、神经网网络结构构和神经经网络学学习算法法。神神经网络络的结构构分类根据神经经网络的的连接方方式，神神经网络络主要分分为2类类。前馈网络络图6-2前前馈型神神经网络络如图6-2所示示，神经经元分层层排列，，组成输输入层、、隐含层层和输出出层。每每一层的的神经元元只接受受前一层层神经元元的输入入。输入入模式经经过各层层的顺次次变换后后，由输输出层输输出。在在各神经经元之间间不存在在反馈。。感知器器和误差差反向传传播网络络采用前前向网络络形式。。2.反反馈网络络图6-3反反馈型神神经网络络网络结构构如图6-3所所示，该该网络结结构在输输出层到到输入层层存在反反馈，即即每一个个输入节节点都有有可能接接受来自自外部的的输入和和来自输输出神经经元的反反馈。这这种神经经网络是是一种反馈动力力学系统统，它需要要工作——段时间间才能达达到稳定定。网络结构构如图6-3所所示，该该网络结结构在输输出层到到输入层层存在反反馈，即即每一个个输入节节点都有有可能接接受来自自外部的的输入和和来自输输出神经经元的反反馈。这这种神经经网络是是一种反馈动力力学系统统，它需要要工作——段时间间才能达达到稳定定。Hopfield神经网网络是反反馈网络络中最简简单且应应用最广广泛的模模型，它它具有联联想记忆忆的功能能，如果果将Lyapunov函数定定义为寻寻优函数数，Hopfield神经网网络还可可以解决决寻忧问问题。神神经网络络学习算算法神经网络络学习算算法是神经网络络智能特特性的重重要标志志，神经网网络通过过学习算算法，实实现了自自适应、、自组织织和自学学习的能能力。目前神经经网络的的学习算算法有多多种，按按有无导师师分类，可分为为有导师学学习(SupervisedLearning)、、无导师学学习(UnsupervisedLearning)和再励学习习(ReinforcementLearning)等等几大类类。在有导师师的学习习方式中中，网络络的输出出和期望望的输出出(即导导师信号号)进行行比较，，然后根根据两者者之间的的差异调调整网络络的权值值，最终终使差异异变小，，如图6-5所所示。在在无导帅帅的学习习方式中中，输入入模式进进入网络络后，网网络按照照一种预预先设定定的规则则(如竞竞争规则则)自动动调整权权值，使使网络最最终具有有模式分分类等功功能，如如图6-6所示示。再励励学习是是介于上上述两者者之间的的一种学学习方式式。下面介绍绍两个基基本的神神经网络络学习算算法。Hebb学习规规则Hebb学习规规则是一一种联想想式学习习算法。。生物学学家D.O.Hebbian基于对对生物学学和心理理学的研研究，认认为两个个神经元元同时处处于激发发状态时时，它们们之间的的连接强强度将得得到加强强，这一一论述的的数学描描述被称称为Hebb学学习规则则，即Hebb学习规规则是一一种无导导师的学学习方法法，它只只根据神神经元连连接间的的激活水水平改变变权值，，因此，，这种方方法又称称为相关学习习或并联学习习。假设误差差准则函函数为神神经网网络的特特征及要要素1．神经经网络特特征神经网络络具有以以下几个个特征：：(1)非线性映映射逼近近能力（能逼近近任意非非线性函函数）：：已有理理论证明明，任意意的连续续非线性性函数映映射关系系都可由由某一多多层神经经网络以以任意精精度加以以逼近。。这种组组成单元元简单、、结构有有序的模模型是非非线性系系统建模模的有效效框架模模型，预预示着神神经网络络在具有有挑战性性的非线线性控制制领域有有很好的的应用前前景。(2)信息的并并行分布布式综合合优化处处理能力力（信息的的并行分分布式处处理与存存储）：：神经网网络的大大规模互互连网络络结构，，使其能能很快地地并行实实现全局局性的实实时信息息处理，，并很好好地协调调多种输输入信息息之间的的关系，，兼容定定性和定定量信息息，这是是传统的的串联工工作方式式所无法法达到的的效果，，非常适适合于系系统控制制中的大大规模实实时计算算。同时时，某些些神经网网络模型型本身就就具有自自动搜寻寻能量函函数极值值点的功功能。这这种优优化计算算能力在在自适应应控制设设计中是是十分有有用的。。(3)高强的容容错能力力：神经网网络的并并行处理理机制及及冗余结结构特性性使其具具有较强强的容错错特性,提高了了信息处处理的可可靠性和和鲁棒性性。(4)对学习结结果的泛泛化和自自适应能能力（能进行行学习，，以适应应环境的的变化））：经过过适当训训练的神神经网络络具有潜潜在的自自适应模模式匹配配功能，，能对所所学信息息加以分分布式存存储和泛泛化，这这是其智智能特性性的重要要体现。。(5)便于集成成实现和和计算模模拟：神经网网络在结结构上是是相同神神经元的的大规模模组合，，所以特特别适合合于用大大规模集集成电路路实现，，也适合合于用现现有计算算技术进进行模拟拟实现。。但由于于现有的的计算机机运算方方式与神神经网络络所要求求的并行行运算和和分布存存储方式式是截然然不同的的，所以以两者在在运算时时间上必必然存在在着显著著差异。。2．神经经网络具具有以下下3个要要素：(1)神神经元元(信息息处理单单元)的的特性；；(2)神神经元之间间相互连接接的拓扑结结构；(3)为为适应环境境而改善性性能的学习习规则。6.1.6神经经网络的研研究领域1．基于神神经网络的的系统辨识识(1)将将神经网络络作为被辩辩识系统的的模型，可可在已知常常规模型结结构的情况况下，估计计模型的参参数。(2)利用用神经网络络的线性、、非线性特特性，可建建立线性、、非线性系系统的静态态、动态、、逆动态及及预测模型型，实现系系统的建模模和辨识。。2．神经网网络控制器器神经网络作作为控制器器，可对不不确定、不不确知系统统及扰动进进行有效的的控制，使使控制系统统达到所要要求的动态态、静态特特性。3．神经网络与与其他算法法相结合将神经网络络与专家系系统、模糊糊逻辑、遗遗传算法等等相结合，，可设计新新型智能控控制系统。。4．优化计算在常规的控控制系统中中，常遇到到求解约束束优化问题题，神经网网络为这类类问题的解解决提供了了有效的途途径。目前，神经经网络控制制已经在多多种控制结结构中得到到应用，如如PID控控制、模型型参考自适适应控制、、前馈反馈馈控制、内模控控制、预测测控制、模模糊控制等等。6.2典典型神经网网络6.2.1单神经经元网络图6-7神神经元结结构模型右图是一种种简化的人人工神经元元结构模型型，它是一一个多输入入、单输出出的非线性性元件，其其输入、输输出关系可可描述为上上述形式。。输出激励函函数f(··)又称为为变换函数数，它决定定该神经元元的输出。。常用的神经经元激励函函数有以下下3种。阈值型阈值型函数数如图6-8所示。。图6-8阈阈值型函函数2．分段线线性型分段线性型型函数表达达式为图6-9分分段线性性型函数3.函数数型有代表性的的有Sigmoid型和高斯斯型函数。。Sigmoid型型函数表达达式为图6-10Sigmoid型函数6.2.2BP神经网络络1986年年，Rumelhart等提提出了误差反向传传播神经网网络，简称BP网网络(BackPropagation)，该网网络是一种种单向传播播的多层前前向网络。。误差反向传传播的学习习算法简称称BP算法，其基本思想是梯度下降法法。它采用梯梯度搜索技技术，以期期使网络的实实际输出值值与期望输输出值的误误差均方值值为最小。。2.BP网网络结构图6-11BP神神经网络结结构3．BP网网络的逼近近图6-12BP神经网络络逼近用于逼近的的BP网络络如图6-13所示示。图6-13用于逼逼近的BP网络BP算法的的学习过程程由正向传播和反向传播组成。在正正向传播过过程中，输输入信息从从输入层经经隐层逐层层处理，并并传向输出出层，每层层神经元(节点)的的状态只影影响下一层层神经元的的状态。如如果在输出出层不能得得到期望的的输出，则则转至反向向传播，将将误差信号号(理想输输出与实际际输出之差差)按连接接通路反向向计算，由由梯度下降降法调整各各层神经元元的权值，，使误差信信号减小。。(1)正向向传播：计计算网络的的输出。(2)反向向传播：采采用学学习算法法，调整各各层间的权权值。(1)正正向向传传播播：：计计算算网网络络的的输输出出。。隐层层神神经经元元的的输输入入为为所所有有输输入入的的加加权权之之和和，，即即隐层层神神经经元元的的输输出出采用用S函函数数激激发发，得得则输出出层层神神经经元元的的输输出出为为误差差性性能能指指标标函函数数为为网络络输输出出与与理理想想输输出出误误差差为为(2)反反向向传传播播：：采采用用学学习习算算法法，，调调整整各各层层间间的的权权值值。。根据据梯梯度度下下降降法法，，权权值值的的学学习习算算法法如如下下：：输出出层层及及隐隐层层的的连连接接权权值值学习习算算法法为为式中中，，为学学习习速速率率，，。k十十1时时刻刻网网络络的的权权值值为为隐层层及及输输入入层层连连接接权权值值学习习算算法法为为式中中，，。问题题:如何何调调整整权权值值W，，使使E最最小小。。可可用用梯梯度度下下降降法法来来求求解解，，其其基基本本思思想想是是沿沿E的的负负梯梯度度方方向向不不断断修修正正权权值值，，直直到到E达达到到最最小小。。k十十1时时刻刻网网络络的的权权值值为为为厂厂避避免免权权值值的的学学习习过过程程发发生生振振荡荡、、收收敛敛速速度度慢慢，，需需要要考考虑虑上上次次权权值值变变化化对对本本次次权权值值变变化化的的影影响响，，即即加加入入动动量量因因子子。。此时时的的权权值值为为式中中，，为动动量量因因子子，，。。4.BP网网络络逼逼近近仿仿真真实实例例使用用BP网网络络逼逼近近对对象象图6-14BP网网络络逼逼近近效效果果图6-15BP网网络络逼逼近近误误差差图6-16Jacobian信信息息的的辩辩识识5.BP网网络络的的忧忧缺缺点点BP网络的优优点：1.只要有足足够多的隐层层和隐层节点点，BP网络络可以逼近任任意的非线性性映射关系；；由于BP网络络具有很好的的逼近非线性性映射的能力力，该网络在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较较为广泛的应应用。2.BP网络络的学习算法法属于全局逼逼近算法，具具有较强的泛泛化能力，可可用于神经网网络控制器的的设计。3.BP网络络输入输出之之间的关联信信息分布地存存储在网络的的连接权中，，个别神经元元的损坏只对对输入输出关关系有较小的的影响，因而而BP网络具具有较好的容容错性。BP网络的主主要缺点为：：1.待寻优优的参数多，，收敛速度慢慢；难以适应应实时控制的的要求。2.目标函函数存在多个个极值点，按按梯度下降法法进行学习，，很容易陷入入局部极小值值；3.难以确确定隐层及隐隐层节点的数数目。目前，，如何根据特特定的问题来来确定具体的的网络结构尚尚无很好的方方法，仍需根根据经验来试试凑。6.BP网网络模式识别别由于神经网络络具有自学习、自组织和并行处理等特征，并具具有很强的容错能力和联想能力，因此，神经网络具有有模式识别的的能力。在神经网络模模式识别中，，根据标准的输入输输出模式对，采用神经网网络学习算法法，以标准的的模式作为学学习样本进行行训练，通过过学习调整神神经网络的连连接权值。当当训练满足要要求后，得到的神经网网络权值构成成了模式识别别的知识库，，利用神经网络并行行推理算法便可对所需要要的输入模式式进行识别。。神经网络模式式识别具有较较强的鲁棒性性。当待识别的输输入模式与训训练样本中的的某个输入模模式相同时，神经网络识别别的结果就是是与训练样本本中相对应的的输出模式。。当待识别的输输入模式与训训练样本中所所有输入模式式都不完全相相同时，则可得到与其其相近样本相相对应的输出出模式。当待识别的输输入模式与训训练样本中所所有输入模式式相差较远时时，就不能得到正正确的识别结结果，此时可将这一一模式作为新新的样本进行行训练，使神神经网络获取取新的知识，，并存储到网网络的权值矩矩阵中，从而而增强网络的的识别能力。BP网络的训训练过程如下下：正向传播是输入信号从输输入层经隐层层传向输出层层，若输出层得得到了期望的的输出，则学学习算法结束束；否则，转至反反向传播。以第p个样本本为例，用于于训练的BP网络结构如如图6-17所示。图6-17BP神经经网络结构网络的学习算算法如下：(1)正向传播：计算网络的的输出。(2)反向传播：采用梯度下下降法，调整整各层间的权权值。(1)正向传传播：计算网网络的输出。。隐层神经元的的输入为所有有输入的加权权之和，即隐层神经元的的输出采用S函数激激发，得则输出层神经元元的输出为(2)反向传播：采用梯度下下降法，调整整各层间的权权值。权值的学习算算法如下输出层及隐层层的连接权值值学习算法为式中，为学习速率，，。k十1时刻网网络的权值为为隐层及输入层层连接权值学习算法为式中，。k十1时刻网网络的权值为为为厂避免权值值的学习过程程发生振荡、、收敛速度模模，需要考虑虑上次权值变变化对本次权权值变化的影影响，即加入入动量因子。。此时的权值为为式中，为动量因子，，。。7.BP网网络模式识别别仿真实例取标准样本为为三输入两输输出样本，见见表6-1。。表6-1训训练样本BP网络模式式识别程序包包括网络训练练程序chap6-2a.m和网络络测试程序chap6-2b.m。。运行程序chap6-2a.m，，取网络训练练的最终指标标为E=10-20，网络训练指指标的变化如如图6-18所示。将网网络训练的最最终权值为用用于模式识别别的知识库，，将其保存在在文件wfile.mat中。表6-2测测试样本及及结果图6-18样样本训练练的收敛过程程6.3神经经网络控制控制理论在经经历了经典控控制和现代控控制以后，随随着被控对象象变得越来越越复杂、对对对象和环境的的知识知道得得越来越少、、控制精度越越来越高，迫迫切希望控制制系统具有自适应自学习习能力、良好的鲁棒性和实时性。概概述神经网络是一一种具有高度度非线性的连连续时间动力力系统，它有有着很强的自自学习能力和和对非线性系系统的强大映映射能力。神神经网络所具具有的大规模模并行性、冗冗余性、容错错性、本质的的非线性及自自组织、自学学习、自适应应能力，使其其广泛应用于于复杂对象的的控制中。神经网络本身身具备传统的的控制手段无无法实现的一一些优点和特特征，使得神神经网络控制制器的研究迅迅速发展。从从控制角度来来看，神经网络用于于控制优越性性主要表现为为：(1)神经网网络能处理那那些难以用模模型或规则描描述的对象；；(2)神经网网络采用并行行分布式信息息处理方式，，具有很强的的容错性；(3)神经网网络在本质上上是非线性系系统，可以实实现任意非线线性映射，神神经网络在非非线性控制系系统中具有很很大的发展前前途；(4)神经网网络具有很强强的信息综合合能力，它能能够同时处理理大量不同类类型的输入，，能够很好地地解决输入信信息之间的互互补性和冗余余性问题；(5)神经网网络的硬件实实现愈趋方便便，大规模集集成电路技术术的发展为神神经网络的硬硬件实现提供供了技术手段段，为神经网网络在控制中中的应用开辟辟了广阔的前前景。神经网络控制制所取得的进进展为：(1)基于于神经经网络络的系系统辨辨识：：可在在己知知常规规模型型结构构的情情况下下，估估计模模型的的参数数；或或利用用神经经网络络的线线性、、非线线性特特性，，建立立线性性、非非线性性系统统的静静态、、动态态、逆逆动态态及预预测模模型。。(2)神经经网络络控制制器：：神经经网络络作为为控制制器，，可实实现对对不确确定系系统或或未知知系统统进行行有效效的控控制，，使控控制系系统达达到所所要求求的动动态、、静态态特性性。(3)神经经网络络与其其他算算法相相结合合：神神经网网络与与专家家系统统、模模糊逻逻辑、、遗传传算法法等相相结合合可构构成新新型控控制器器。(4)优化化计算算：在在常规规控制制系统统的设设计中中，常常遇到到求解解约束束优化化问题题，神神经网网络为为这类类问题题提供供了有有效的的途径径。(5)控制制系统统的故故障诊诊断：：利用用神经经网络络的逼逼近特特性，，可对对控制制系统统的各各种故故障进进行模模式识识别，，从而而实现现控制制系统统的故故障诊诊断。。神经网网络控控制在在理论论和实实践上上，以以下问问题是是研究究的重重点：：(1)神神经网网络的的稳定定性与与收敛敛性问问题；；(2)神神经网网络控控制系系统的的稳定定性与与收敛敛性问问题；；(3)神神经网网络学学习算算法的的实时时性；；(4)神神经网网络控控制器器和辨辨识器器的模模型和和结构构。神神经网网络控控制的的结构构根据神神经网网络在在控制制器中中的作作用不不同，，神经网网络控控制器器可分分为两两类：：一类为为神经经控制制，它是是以神神经网网络为为基础础而形形成的的独立立智能能控制制系统统；另一类类为混混合神神经网网络控控制，它是是指利利用神神经网网络学学习和和优化化能力力来改改善传传统控控制的的智能能控制制方法法，目前神神经网网络控控制器器尚无无统一一的分分类方方法。。综合合目前前的各各种分分类方方法，，可将将神经经网络络控制制的结结构归归结为为以下下7类类。1.神神经网网络监监督控控制首先对对人工工控制制或传传统控控制进进行学学习，，然后后用神神经网网络控控制器器逐渐渐取代代传统统控制制器的的方法法，称称为神经网网络监监督控控制。神经经网络络监督督控制制的结结构如如图6-19所所示。。图6-19神神经网网络监监督控控制在监督督控制制系统统中，，神经经网络络需要要脱机机进行行训练练。训训练时时采用用一系系列示示教数数据。。这些些数据据是执执行人人工控控制时时的输输入、、输出出数据据。输输入数数据一一般是是传感感器所所检测测出的的数据据，输输出数数据则则是人人所确确定的的数据据。也也就是是说，，神经经网络络的学学习是是执行行传感感输入入到人人工控控制作作用的的映射射。2.神神经经网络络直接接逆控控制神经网网络直直接逆逆控制制就是将将被控控对象象的神经网网络逆逆模型型直接与与被控控对象象串联联起来来，以以便使使期望望输出出与对对象实实际输输出之之间的的传递递函数数为1。则则将此此网络络作为为前馈控控制器器后，被被控对对象的的输出出为期期望输输出。。在逆逆控制制系统统中，，如果果被控控对象象的模模型用用F表表示，，那么么，神神经网网络所所构成成的控控制器器的模模型是是F-1，即是是一个个逆模模型。。实际上上，被被控对对象可可以是是一个个未知知的系系统，，在被被控对对象输输入端端加入入u*，则其其输出出就会会产生生y*。用y*作为输输入，，u*作为输输出去去对神神经网网络进进行训训练，，则得到的的神经经网络络就是是被控控对象象的逆逆模型型。在训训练时时，神神经网网络的的实际际输出出用u’表表示，，则用用（u’-u*））这个个偏差差可以以控制制网络络的训训练过过程。。一般来来说，，为了了获取取良好好的逆逆动力力学性性能，，通常常在训训练神神经网网络时时所取取值的的范围围比实实际对对象的的输入入、输输出数数据的的取值值范围围要大大一些些。在逆控控制系系统中中，神神经网网络直直接连连在控控制回回路作作为控控制器器，控控制效效果严严重地地依赖赖控制制器对对对象象逆向向模拟拟的真真实程程度（（逆控控制的的可用用性在在相当当程度度上取取决于于逆模模型的的准确确精度度）。。由于于这种种系统统缺少少反馈馈环节节，所所以，，其鲁鲁棒性性不足足。对对于要要求有有一定定鲁棒棒性的的应用用场合合，这这种控控制系系统就就存在在一些些问题题。在在线学学习可可以在在一定定程度度上克克服其其鲁棒棒性不不好的的问题题。在在线学学习可可以调调整神神经网网络的的参数数，使使神经经网络络对逆逆模型型的真真实度度提高高。在图6-20中，NNl和NN2为具有完全全相同的网网络结构，，并采用相相同的学习习算法，分分别实现对对象的逆。。图6-20神经网网络直接逆逆控制的结结构3.神经网网络自适应应控制神经网络自自适应控制制是把神经网网络用于传传统自适应应控制方法法中而产生生的新的控控制方法。。神经网络自自适应控制制分为神经网络自自校正控制制和神经网络模模型参考自自适应控制制两种。自校正控制制根据对系统统正向或逆逆模型的结结果调节控控制器内部部参数，使使系统满足足给定的指指标；而在在模型参考自自适应控制制中，闭环控控制系统的的期望性能能由一个稳稳定的参考考模型来描描述，控制制系统的目目的就是使使被控对象象的输出渐渐进地趋近近于参考模模型的输出出。神经网络自自校正控制制a.神经网网络直接自自校正控制制直接自校正正控制同时时使用神经经网络控制制器和神经经网络估计计器。在本质上同同神经网络络直接逆控控制，其结结构如图6-20所所示。图6-20神经网网络直接逆逆控制的结结构b.神经网网络间接自自校正控制制间接自校正正控制使用用常规控制制器，神经经网络估计计器需较高高建模精度度。其结构如图图6-21所示。图6-21神经网网络间接自自校正控制制假设被控对对象为单变变量仿射非非线性系统统神经网络模模型参考自自适应控制制图6-22神经经网络模型型参考自适适应控制4.神经网网络内模控控制经典的内模模控制将被被控系统的的正向模型型和逆模型型直接加入入反馈回路路，系统的的正向模型型作为被控控对象的近近似模型与与实际对象象并联，两两者输出之之差被用做做反馈信号号，该反馈馈信号又经经过前向通通道的滤波波器及控制制器进行处处理。控制制器直接与与系统的逆逆有关，通通过引入滤滤波器来提提高系统的的鲁棒性。。图6-23所示为为神经网络络内模控制制，被控对对象的正向向模型及控控制器均由由神经网络络来实现。。图6-23神经经网络内模模控制5.神经网网络预测控控制图6-24神经网网络预测控控制神经网络预预测控制的的结构如图图6-24所示，神神经网络预预测器建立立了非线性性被控对象象的预测模模型，并可可在线进行行学习修正正。利用此此预测模型型，可以由由当前的系系统控制信信息预测出出在未来一一段时间范范围内内的输出值值。。通过设计计优化性能能指标，利利用非线性性优化器可可求出优化化的控制作作用u(t)。THANKYOUVERYMUCH！！结束放映9、静夜夜四无无邻，，荒居居旧业业贫。。。1月-231月-23Sunday,January1,202310、雨中中黄叶叶树，，灯下下白头头人。。。13:02:2413:02:2413:021/1/20231:02:24PM11、以我我独沈沈久，，愧君君相见见频。。。1月-2313:02:2413:02Jan-2301-Jan-2312、故人江海海别，几度度隔山川。。。13:02:2413:02:2413:02Sunday,January1,202313、乍乍见见翻翻疑疑梦梦，，相相悲悲各各问问年年。。。。1月月-231月月-2313:02:2413:02:24January1,202314、他乡生白白发，旧国国见青山。。。01一月月20231:02:24下下午13:02:241月-2315、比比不不了了得得就就不不比比，，得得