智能控制技术课件六

第八讲神经网络控制论基于神经网络的智能控制系统作为一个新兴领域，之所以能引起控制界的兴趣，在于(1)神经网络具有逼近任何非线性函数的能力；(2)它由简单神经元采用并行结构组成易于VLSI实现．从而使神经网络具有快速的高容错性的优点；(3)神经网络自身的结构和其多输入多输出的特点，使其易用于多变量系统的控制，且与其它退近方法相比更经济；(4)神经网络具有自学习和自适应的特性。因此ANN从自身特性表明它有在非线性相复杂控制系统中起着如传递函效在线性系统中所起的作用。神经网络控制器的分类1导师指导下的控制器这种控制器是假设人可以直接这类任务，只是价格、速度、安全性等方面考虑采用自动控制。这种神经网络控制结构的学习样本直接取自专家的控制经验。2逆控制器训练神经网络逼近该系统的逆动力学模型，神经网络接受系统的被与控状态信息，神经网络的输出该被控系统的控制信号之差作为调整神经网络权系数的校正信号。可利用常规BP学习算法来训练。训练后可以直接把神经网络控制器接到动力学系统的控制端就可实现无差跟踪控制，即期望的控制输出只要将此信息加到神经网络的输入端就可以。3自适应网络控制器

由图可知，控制器在结构上等同于线性系统的自适应控制器，只是用非线性的神经网络代替了线性系统中的线性控制处理单元。4神经内模控制

这种结构有较好的鲁棒性，在反馈回路中使用系统的前向模型和逆模型。5前馈结制构控系统结合反馈控制组成前馈补偿器的网络结构，可以用反馈控制来提高抗干扰的能力，控制器的主要部分，特别是非线性成分将由网络控制器来完成。6还有自适应评价网络和混合控制系统等神经网络的逼近能力考虑具有单个隐含层的前向传播神经网络，其输出属于集合定义5－1S型函数如果函数是非递减函数，且满足则称它为S型函数。定义5－2距离函数

给定的函数空间S，设f，g，h∈S。则满足一下条件：的映射称为距离函数－稠密一个度量空间（X，）中的子集S称为是自己T上的

稠密，只有当：对于任意一个给定的ε>0,对所有的t∈T，存在一个s∈S时，有(s，t）<ε.定理5－1

若神经元的激励函数Ψ是S型函数，那么∑（Ψ）

在C（U）中是稠密。非线性动态系统的神经网络辨识1神经网络辨识模型的结构（1）前向模型利用神经网络来逼近非线性系统的前向动力学模型，其结构如下。（2）逆模型非线性动态系统统的神经网络辨辨识非线性离散时间间动态系统一般般来说，有一下下四种类型f，g分别是非线性函函数，[u(l),y(l)]表示在l时刻的输入－输输出对对这些模型，假假定：1）线性系统的的阶次n，m已知。2）系统是稳定定的，即对所有有的有界输入输输出也是有界的的。3）系统是最小小相位系统。4）u（l－i）和y（l－j）i，j＝0，1，…可以测量。非线性动态系统统的神经网络辨辨识有两种模型型结构，并行结结构和串行结构。。由于串行结构构具有较好的收收敛性，主要以以串行结构来讨论非线线性动态辨识问问题。1－2类型对前面提到的四四种类型，按有有无线性系统部部分分为两大类类。1－2为一组，3－4为一组。对前者者，按按线性部部分参数是否已知，还可分为为（1）线性部分参数数已知这这时辨识问题可可以归结为带时时滞的多层感知网络模型型的学习问题。。它们的结构构如下。（2）线性部分参数数未知这时辨辨识问题可归结结为带时滞的多层感知网络模型的的学习和线性系系统的参数估计计问题。在这个结构中，，向量α表示线性部分的的未知参数，对对模型1的递推辨识算法法为S是前一隐含层的的神经元下标变变量当输出层神经元元为线性单元、、隐含层神经元元为Sigmoid函数时，广义误差的计算算写为针对模型1在初始条件完全全未知的情况下下，可以取3－4类型类型3的神经网络辨识识模型如下在上图中，Nf网络用来逼近非非线性函数f，Ng网络用来逼近非线性函数g。模型的阶n，m已知，系统输入入为[u(l),u(l-1),…u(l-m+1)],系统输出为[y(l),y(l-1),…y(l-n+1)].现在的问题是网络Nf和Ng的期望输出yf和yg未知，故BP算法不行。但系统的实际输输出y（l＋1）是已知的，即即yf＋yg是已知的，于是问题就是如如何利用这个样样本进行神经网网络辨识模型的的学习。对于给定的P个样本[tpj,xpj].选指标函数式中，，分分别为两两个不同的并联联网络的输出，，且这两个网络取相同的的多层先向传播播网络结构。它它们的并联矩阵阵用表示。因为5－25由5－25式可知5－275－28分别是网络1和2中第i个神经元的输出出值。