神经网络在控制中的应用

神经网络在控制中的应用神经网络在控制中的应用第1页神经网络在控制中应用神经网络辨识技术神经网络控制技术神经网络在控制中的应用第2页5.1神经网络辨识系统辨识是自适应控制关键所在，它经过测量对象输入输出状态来预计对象数学模型，使建立数学模型和对象含有相同输入输出特征。

神经网络对非线性函数含有任意迫近和自学习能力，为系统辨识，尤其是非线性动态系统辨识提供了一条十分有效路径。

神经网络系统辨识实质上是选择一个适当神经网络模型来迫近实际系统数学模型。神经网络在控制中的应用第3页5.1神经网络辨识5.1.1神经网络系统辨识原理系统辨识原理就是经过调整辨识模型结构来使e最小。在神经网络系统辨识中，神经网络用作辨识模型，将对象输入输出状态u，y看作神经网络训练样本数据，以J=1/2e2作为网络训练目标，则经过用一定训练算法来训练网络，使J足够小，就能够到达辨识对象模型目标。神经网络在控制中的应用第4页5.1神经网络辨识5.1.2多层前向BP网络系统辨识假设非线性对象数学模型能够表示为：其中f是描述系统特征未知非线性函数，m，n分别为输入输出阶次。则能够利用多层前向BP网络来迫近非线性函数，进而预计对象模型。神经网络在控制中的应用第5页5.1神经网络辨识多层前向BP网络系统辨识原理图神经网络在控制中的应用第6页5.1神经网络辨识网络输出能够经过下式计算得到：H（*）表示隐层神经元激发函数Wij(1),Wj(2)分别表示网络第1-2层和2-3层连接权值神经网络在控制中的应用第7页5.1神经网络辨识定义网络训练目标函数为：则网络训练BP算法能够描述为：神经网络在控制中的应用第8页5.1神经网络辨识5.1.3.递归神经网络系统辨识递归神经网络结构神经网络在控制中的应用第9页5.1神经网络辨识递归神经网络输入输出关系能够描述为：H（*）表示隐层神经元激发函数Wij(1),Wjk(2)分别表示网络第1-2层和2-3层连接权值Wi(0)表示网络第一层递归权值神经网络在控制中的应用第10页5.1神经网络辨识因为递归神经网络本身含有动态反馈环，能够统计以前状态，所以用递归神经网络来对非线性对象进行辨识时只需以对象当前输入状态u(t)和前一时刻输出状态y(t-1)作为网络输入即可，与前向多层神经网络相比，网络结构较为简单。神经网络在控制中的应用第11页5.2神经网络控制神经网络在控制中主要起以下作用：(1)基于准确模型各种控制结构中充当对象模型；(2)在反馈控制系统中直接充当控制器作用；(3)在传统控制系统中起优化计算作用；(4)在与其它智能控制方法和优化算法相融合中,为其提供对象模型、优化参数、推理模型及故障诊疗等。神经网络在控制中的应用第12页5.2神经网络控制5.2.1神经网络直接反馈控制系统神经网络直接用作误差闭环系统反馈控制器，神经网络控制器首先利用其它已经有控制样本进行离线训练，而后以系统误差均方差为评价函数进行在线学习。神经网络在控制中的应用第13页5.2神经网络控制5.2.2神经网络逆控制自适应逆控制基础思想就是用被控对象传递函数逆模型作为串联控制器对控制对象实施开环控制。神经网络先离线学习被控对象逆动力学模型，然后用作对象前馈串联控制器。因为开环控制缺乏稳定性，所以神经网络还需要依据系统反馈误差在线继续学习逆动力学模型神经网络在控制中的应用第14页5.2神经网络控制5.2.3神经网络内模控制

将对象模型与实际对象相并联，控制器迫近模型动态逆。普通有两种方法：

1)两个神经网络分别迫近模型和模型逆；

2)采取神经网络迫近模型，然后用非线性优化方法数值计算内模控制量。神经网络在控制中的应用第15页5.2神经网络控制5.2.4神经网络自适应控制（1）神经网络模型参考直接自适应控制模型参考自适应控制目标是：系统在相同输入激励r作用下，使被控对象输出y与参考模型输出ym到达一致。这么经过调整参考模型，能够调整系统动态特征。神经网络控制器（NNC）先离线学习被控对象逆动力学模型，与被控对象组成开环串联控制，而后神经网络依据参考模型输出与被控对象输出误差函数进行在线训练，使误差函数最小。神经网络在控制中的应用第16页5.2神经网络控制（2）神经网络模型参考间接自适应控制在直接自适应控制基础上，引入了一个神经网络辨识器（NNI）来对被控对象数学模型进行在线辨识，这么能够及时地将对象模型改变传递给NNC，使NNC能够得到及时有效训练。神经网络在控制中的应用第17页例：二关节机器人神经网络自适应控制1）控制问题机器人动态控制问题就是要使机器人各关节或末端执行器位置能够以理想动态品质跟踪给定轨迹或稳定在指定位置上。神经网络在控制中的应用第18页二关节机器人控制结构神经网络在控制中的应用第19页2）机器人数学模型坐标变换：机器人末端在空间位置坐标能够变换为其关节角度大小神经网络在控制中的应用第20页动力学方程：神经网络在控制中的应用第21页机器人动力学模型特点动力学方程包含项数多，复杂。伴随机器人关节数增加，方程中包含项数呈几何级数增加，可达数百项；高度非线性。方程每一项都含有cos，sin等非线性原因高度耦合。每个关节运动都会引发其它关节运动模型不确定性。当机器人搬运物体时，因为所持物件不一样，负载会发生改变，同时，关节摩擦系数也会随时间发生改变。神经网络在控制中的应用第22页3）神经网络自适应控制神经网络在控制中的应用第23页神经网络选型：神经网络控制器控制器要求鲁棒性好，经离线训练后即可投入使用，选取含糊神经网络 网络输入为四个，分别对应两个关节角误差和误差改变率。输出为两个，对应两个关节力矩 神经网络在控制中的应用第24页神经网络辨识器辨识器要求能够很好地反应机器人动态，并含有较简单结构。选择递归神经网络神经网络在控制中的应用第25页网络训练辨识器学习目标函数：学习算法：神经网络在控制中的应用第26页控制器学习目标函数：学习算法：由神经网络辨识器提供神经网络在控制中的应用第27页4）控制结果机械手详细参数：初始条件：期望轨迹：摩擦项和扰动项：神经网络在控制中的应用第28页

关节1轨迹跟踪曲线神经网络在控制中的应用第29页关节2轨迹跟踪曲线神经网络在控制中的应用第30页RNNI第一个输出轨迹神经网络在控制中的应用第31页RNNI第二个输出轨迹神经网络在控制中的应用第32页5.2神经网络控制（3）神经网络间接自校正控制自校正调整器目标是在控制系统参数改变情况下，自动调整控制器参数，消除扰动影响，以确保系统性能指标。在这种控制方式中，神经网络(NN)用作过程参数或一些非线性函数在线预计器。假设被控对象模型为

yk+1＝f(yk)+g(yk)·uk

则用神经网络对非线性函数f(yk)和g(yk)进行辨识，假设其在线计算预计值fd(yk)和gd(yk)，则调整器自适应控制律为

uk=(yd

-fd(yk)/gd(yk)此时系统传递函数为1神经网络在控制中的应用第33页5.2神经网络控制5.2.5神经网络学习控制

神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，首先用NN学习对象逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器组成复合控制器来控制对象。系统以反馈控制器输出作为评价函数来调整神经网络权值。这么，在控制之初，反馈控制器作用较强，而伴随控制过程进行，NN得到越来越多学习，反馈控制器作用越来越弱，NN控制器作用越来越强。神经网络在控制中的应用第34页例：三关节机器人视觉伺服系统神经网络学习控制问题描述：利用摄像机观察目标小球与机器人末端手爪之间相对位置，由此组成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪抵达小球。神经网络在控制中的应用第35页目标小球特征特征提取XcYcZcxy(x,y)(XP,YP,ZP)Ocf目标在成像平面特征能够分解为：目标中心点在成像坐标系坐标（x，y）以及目标半径r。神经网络在控制中的应用第36页控制系统：视觉伺服问题能够转化为：依据目标特征与期望特征误差，经过控制器控制机器人运动，使目标特征抵达期望特征。神经网络在控制中的应用第37页机器人视觉伺服控制系统神经网络学习控制器神经网络在控制中的应用第38页神经网络结构ΔxΔyΔrΔθ1Δθ2Δθ3输入层隐含层输出层神经网络在控制中的应用第39页神经网络学习：神经网络以常规控制器输出up最小化为目标进行学习。假如学习目标函数定义为：J＝1/2(u-un)2其中u为复合控制器输出，un为网络输出。那么依据BP算法可得网络在线训练时权值修正算法为：能够看出，网络在线训练算法无需用到机械手和特征提取模型信息，从而能够有效、快速地对神经网络进行在线学习和优化。神经网络在控制中的应用第40页控制结果机械手详细参数为：

L1=300cm；

L2=260cm；

L3=260cm。摄像机焦距:f=50cm。目标小球半径为:10cm。摄像机在基座坐标系初始坐标为(490，79，337)。期望图像特征为：Xd＝0,Yd＝0，Rd＝10目标小球中心在基座坐标系坐标为:(300，300，200)神经网络在控制中的应用第41页*为神经网络学习控制；o为常规百分比控制器控制图像坐标X改变曲线神经网络在控制中的应用第42页*为神经网络学习控制；o为常规百分比控制器控制图像坐标Y改变曲线神经网络在控制中的应用第43页*为神经网络学习控制；o为常规百分比控制器控制半径r改变曲线神经网络在控制中的应用第44页基于神经网络学习控制小球投影改变曲线神经网络在控制中的应用第45页5.2神经网络控制5.2.6神经网络PID