新型控制策略教材

《新型控制策略教材》由会员分享，可在线阅读，更多相关《新型控制策略教材（76页珍藏版）》请在装配图网上搜索。

1、第第6章章 新型控制策略新型控制策略1第6章 新型控制策略 为什么提出新型控制策略？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。第第6章章 新型控制策略新型控制策略2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。第第6章章 新型控制策略新型控制策略3我们主要介绍

2、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。第第6章章 新型控制策略新型控制策略4 6.1 神经网络的理论基础神经网络的理论基础 人工神经网络人工神经网络(简称神经网络，artificial Neural Network)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

3、非线性、不确定、不确知系统的控制问题开辟了新途径。第第6章章 新型控制策略新型控制策略56.1.1 6.1.1 神经网络发展简史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：第第6章章 新型控制策略新型控制策略62.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

4、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。第第6章章 新型控制策略新型控制策略74高潮时期(1986年至现在)神经网络

5、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。第第6章章 新型控制策略新型控制策略86.1.2 6.1.2 神经网络原理神经网络原理 单个（生物）神经元模型的示意图如下图所示。单个（生物）神经元模型的示意图如下图所示。第第6章章 新型控制策略新型控制策略9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

6、杂的连接却可以演化出丰富多彩的行为方式。第第6章章 新型控制策略新型控制策略10 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。第第6章章 新型控制策略新型控制策略11神经元由4部分构成：(1)细胞体(主体部分)：包括细胞质、

7、细胞膜和细胞核；(2)树突：用于为细胞体传入信息；(3)轴突：为细胞体传出信息，其末端是神经末梢，含传递信息的化学物质；(4)突触：是神经元之间的接口(104一105个每神经元)。一个神经元通过其轴突的神经未梢，经突触与另外一个神经元的树突连接，以实现信息的传递。由于突触的信息传递特性是可变的，随着神经冲动传递方式的变化，传递作用强弱不同，形成了神经元之间连接的柔性，称为结构的可塑性。第第6章章 新型控制策略新型控制策略12神经元具有如下功能：(1)兴奋与抑制：如果传入神经元的冲动经整合后使细胞膜电位升高，超过动作电位的阈值时即为兴奋状态，产生神经冲动，由轴突经神经未梢传出。如果传入神经元的冲

8、动经整合后使细胞膜电位降低，低于动作电位的阈值时即为抑制状态，不产生神经冲动。(2)学习与遗忘：由于神经元结构的可塑性，突触的传递作用可增强和减弱，因此，神经元具有学习与遗忘的功能。第第6章章 新型控制策略新型控制策略13决定生物神经网络性能的决定生物神经网络性能的3 3大要素为：大要素为：(1)神经元(信息处理单元)的特性；(2)神经元之间相互连接的形式-拓扑结构；(3)为适应环境而改善性能的学习规则。第第6章章 新型控制策略新型控制策略14人工神经网络人工神经网络是以工程技术手段来模拟人脑神经元网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络。它是生物神经网络的一种

9、模拟和近似，具有学习、识别、控制等功能。就神经网络的主要连接形式而言，目前已有数十种不同的神经网络模型，其中，前馈型网络和反馈型网络是两种典型的结构（模型）。（人工）神经网络的研究主要分为（人工）神经网络的研究主要分为3个方面的内容，个方面的内容，即神经网络模型、神经网络结构和神经网络学习算法。即神经网络模型、神经网络结构和神经网络学习算法。第第6章章 新型控制策略新型控制策略156.1.3 6.1.3 神经网络的结构分类神经网络的结构分类 根据神经网络的连接方式，神经网络主要分为2类。1.前馈网络图6-2 前馈型神经网络 如图6-2所示，神经元分层排列，组成输入层、隐含层和输出层。每一层的神

10、经元只接受前一层神经元的输入。输入模式经过各层的顺次变换后，由输出层输出。在各神经元之间不存在反馈。感知器和误差反向传播网络采用前向网络形式。第第6章章 新型控制策略新型控制策略162.反馈网络图6-3 反馈型神经网络 网络结构如图6-3所示，该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种神经网络是一种反馈动力学系统，它需要工作段时间才能达到稳定。第第6章章 新型控制策略新型控制策略17网络结构如图6-3所示，该网络结构在输出层到输入层存在反馈，即每一个输入节点都有可能接受来自外部的输入和来自输出神经元的反馈。这种神经网络是一种反馈动

11、力学系统，它需要工作段时间才能达到稳定。Hopfield神经网络是反馈网络中最简单且应用最广泛的模型，它具有联想记忆的功能，如果将Lyapunov函数定义为寻优函数，Hopfield神经网络还可以解决寻忧问题。第第6章章 新型控制策略新型控制策略186.1.4 6.1.4 神经网络学习算法神经网络学习算法 神经网络学习算法是神经网络智能特性的重要标志，神经网络通过学习算法，实现了自适应、自组织和自学习的能力。目前神经网络的学习算法有多种，按有无导师分类，可分为有导师学习(Supervised Learning)、无导师学习(Unsupervised Learning)和再励学习(Reinfor

12、cement Learning)等几大类。第第6章章 新型控制策略新型控制策略19在有导师的学习方式中，网络的输出和期望的输出(即导师信号)进行比较，然后根据两者之间的差异调整网络的权值，最终使差异变小，如图6-5所示。在无导帅的学习方式中，输入模式进入网络后，网络按照一种预先设定的规则(如竞争规则)自动调整权值，使网络最终具有模式分类等功能，如图6-6所示。再励学习是介于上述两者之间的一种学习方式。第第6章章 新型控制策略新型控制策略20下面介绍两个基本的神经网络学习算法。1.Hebb学习规则 Hebb学习规则是一种联想式学习算法。生物学家D.O.Hebbian基于对生物学和心理学的研究，认

13、为两个神经元同时处于激发状态时，它们之间的连接强度将得到加强，这一论述的数学描述被称为Hebb学习规则，即(1)()ijijijw kw kI IHebb学习规则是一种无导师的学习方法，它只根据神经元连接间的激活水平改变权值，因此，这种方法又称为相关学习或并联学习。第第6章章 新型控制策略新型控制策略21假设误差准则函数为 2111()2PPpppppEdyE01(,)TnWw ww第第6章章 新型控制策略新型控制策略22第第6章章 新型控制策略新型控制策略236.1.5 6.1.5 神经网络的特征及要素神经网络的特征及要素 1神经网络特征神经网络具有以下几个特征：(1)非线性映射逼近能力非线

14、性映射逼近能力（能逼近任意非线性函数）：已有理论证明，任意的连续非线性函数映射关系都可由某一多层神经网络以任意精度加以逼近。这种组成单元简单、结构有序的模型是非线性系统建模的有效框架模型，预示着神经网络在具有挑战性的非线性控制领域有很好的应用前景。(2)信息的并行分布式综合优化处理能力信息的并行分布式综合优化处理能力（信息的并行分布式处理与存储）：神经网络的大规模互连网络结构，使其能很快地并行实现全局性的实时信息处理，并很好地协调多种输入信息之间的关系，兼容定性和定量信息，这是传统的串联工作方式所无法达到的效果，非常适合于系统控制中的大规模实时计算。同时，某些神经网络模型本身就具有自动搜寻能量

15、函数极值点的功能。这种优化计算能力在自适应控制设计中是十分有用的。第第6章章 新型控制策略新型控制策略24(3)高强的容错能力高强的容错能力：神经网络的并行处理机制及冗余结构特性使其具有较强的容错特性,提高了信息处理的可靠性和鲁棒性。(4)对学习结果的泛化和自适应能力对学习结果的泛化和自适应能力（能进行学习，以适应环境的变化）：经过适当训练的神经网络具有潜在的自适应模式匹配功能，能对所学信息加以分布式存储和泛化，这是其智能特性的重要体现。(5)便于集成实现和计算模拟便于集成实现和计算模拟：神经网络在结构上是相同神经元的大规模组合，所以特别适合于用大规模集成电路实现，也适合于用现有计算技术进行模

16、拟实现。但由于现有的计算机运算方式与神经网络所要求的并行运算和分布存储方式是截然不同的，所以两者在运算时间上必然存在着显著差异。第第6章章 新型控制策略新型控制策略252神经网络具有以下3个要素：(1)神经元(信息处理单元)的特性；(2)神经元之间相互连接的拓扑结构；(3)为适应环境而改善性能的学习规则。第第6章章 新型控制策略新型控制策略266.1.6 6.1.6 神经网络的研究领域神经网络的研究领域 1基于神经网络的系统辨识(1)将神经网络作为被辩识系统的模型，可在已知常规模型结构的情况下，估计模型的参数。(2)利用神经网络的线性、非线性特性，可建立线性、非线性系统的静态、动态、逆动态及预

17、测模型，实现系统的建模和辨识。2神经网络控制器 神经网络作为控制器，可对不确定、不确知系统及扰动进行有效的控制，使控制系统达到所要求的动态、静态特性。第第6章章 新型控制策略新型控制策略273神经网络与其他算法相结合 将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可设计新型智能控制系统。4优化计算 在常规的控制系统中，常遇到求解约束优化问题，神经网络为这类问题的解决提供了有效的途径。目前，神经网络控制已经在多种控制结构中得到应用，如PID控制、模型参考自适应控制、前馈反馈控制、内模控制、预测控制、模糊控制等。第第6章章 新型控制策略新型控制策略286.2 6.2 典型神经网络典型神经网络6

18、.2.1 6.2.1 单神经元网络单神经元网络图6-7 神经元结构模型 右图是一种简化的人工神右图是一种简化的人工神经元结构模型，它是一个经元结构模型，它是一个多输入、单输出的非线性多输入、单输出的非线性元件，其输入、输出关系元件，其输入、输出关系可描述为上述形式。可描述为上述形式。输出输出激励函数激励函数f()f()又称为变换又称为变换函数，它决定该神经元的输函数，它决定该神经元的输出。出。第第6章章 新型控制策略新型控制策略29常用的神经元激励函数有以下3种。1.阈值型10()00iiinetf netnet阈值型函数如图6-8所示。图6-8 阈值型函数 第第6章章 新型控制策略新型控制策

19、略302分段线性型 分段线性型函数表达式为 00110()iiiiiiiiiinetnetf netknetnetnetnetknetnetnet图6-9 分段线性型函数 第第6章章 新型控制策略新型控制策略313.函数型有代表性的有Sigmoid型和高斯型函数。Sigmoid型函数表达式为 1()1iinetTf nete图6-10 Sigmoid型函数 第第6章章 新型控制策略新型控制策略326.2.2 BP6.2.2 BP神经网络神经网络 1986年，Rumelhart等提出了误差反向传播神经网络，简称BP网络(Back Propagation)，该网络是一种单向传播的多层前向网络。误差

20、反向传播的学习算法简称BP算法，其基本思想基本思想是梯度下降法。它采用梯度搜索技术，以期使网络的实际输出值与期望输出值的误差均方值为最小。第第6章章 新型控制策略新型控制策略33第第6章章 新型控制策略新型控制策略342.BP2.BP网络结构网络结构 图6-11 BP神经网络结构 第第6章章 新型控制策略新型控制策略353 3BPBP网络的逼近网络的逼近图6-12 BP神经网络逼近 第第6章章 新型控制策略新型控制策略36用于逼近的BP网络如图6-13所示。图6-13 用于逼近的BP网络 第第6章章 新型控制策略新型控制策略37 BP算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输

21、入信息从输入层经隐层逐层处理，并传向输出层，每层神经元(节点)的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转至反向传播，将误差信号(理想输出与实际输出之差)按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。(1)正向传播：计算网络的输出。(2)反向传播：采用 学习算法，调整各层间的权值。第第6章章 新型控制策略新型控制策略38(1)正向传播：计算网络的输出。隐层神经元的输入为所有输入的加权之和，即 jijiixw x隐层神经元的输出 jx采用S函数激发 jx，得 1()1jjjxxf xe (1)jjjjxxxx则输出层神经元的输出为()njkjjyk

22、wx第第6章章 新型控制策略新型控制策略39误差性能指标函数为 21()2Ee k网络输出与理想输出误差为()()()ne ky ky k第第6章章 新型控制策略新型控制策略40(2)反向传播：采用 学习算法，调整各层间的权值。根据梯度下降法，权值的学习算法如下：输出层及隐层的连接权值 jkw学习算法为()()njkjjkjkyEwe ke kxww 式中，为学习速率，0,1。k十1时刻网络的权值为(1)()jkjkjkwkwkw隐层及输入层连接权值 ijw学习算法为()nijijijyEwe kww 式中，(1)jjjnnjkijkjjiijjjijjxxxyywxwxxxwxxwx。问题问

23、题:如何调整权值如何调整权值W W，使，使E E最小。可用梯度下降法来求解，最小。可用梯度下降法来求解，其基本思想是沿其基本思想是沿E E的负梯度方向不断修正权值，直到的负梯度方向不断修正权值，直到E E达到最达到最小。小。第第6章章 新型控制策略新型控制策略41k十1时刻网络的权值为(1)()ijijijw kw kw为厂避免权值的学习过程发生振荡、收敛速度慢，需要考虑上次权值变化对本次权值变化的影响，即加入动量因子 。此时的权值为(1)()()(1)jkjkjkjkjkwkwkwwkwk(1)()()(1)ijijijijijw kw kww kw k式中，为动量因子，。0,1第第6章章

24、新型控制策略新型控制策略424.BP4.BP网络逼近仿真实例网络逼近仿真实例 使用BP网络逼近对象 32(1)()()1(1)y ky ku ky k第第6章章 新型控制策略新型控制策略43图6-14 BP网络逼近效果第第6章章 新型控制策略新型控制策略44图6-15 BP网络逼近误差 第第6章章 新型控制策略新型控制策略45图6-16 Jacobian信息的辩识 第第6章章 新型控制策略新型控制策略465.BP5.BP网络的忧缺点网络的忧缺点BP网络的优点：1.只要有足够多的隐层和隐层节点，BP网络可以逼近任意的非线性映射关系；由于BP网络具有很好的逼近非线性映射的能力，该网络在模式识别、图

25、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为广泛的应用。2.BP网络的学习算法属于全局逼近算法，具有较强的泛化能力，可用于神经网络控制器的设计。3.BP网络输入输出之间的关联信息分布地存储在网络的连接权中，个别神经元的损坏只对输入输出关系有较小的影响，因而BP网络具有较好的容错性。第第6章章 新型控制策略新型控制策略47BP网络的主要缺点为：1.待寻优的参数多，收敛速度慢；难以适应实时控制的要求。2.目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；3.难以确定隐层及隐层节点的数目。目前，如何根据特定的问题来确定具体的网络结构尚无很好的方法，仍需根

26、据经验来试凑。第第6章章 新型控制策略新型控制策略486.BP6.BP网络模式识别网络模式识别 由于神经网络具有自学习、自组织和并行处理等特征，并具有很强的容错能力和联想能力，因此，神经网络具有模神经网络具有模式识别的能力。式识别的能力。在神经网络模式识别中，根据标准的输入输出模式对，采用神经网络学习算法，以标准的模式作为学习样本进行训练，通过学习调整神经网络的连接权值。当训练满足要求后，得到的神经网络权值构成了模式识别的知识库，利用神经网络并行推理算法便可对所需要的输入模式进行识别。第第6章章 新型控制策略新型控制策略49神经网络模式识别具有较强的鲁棒性神经网络模式识别具有较强的鲁棒性。当待

27、识别的输入模式与训练样本中的某个输入模式相同时，神经网络识别的结果就是与训练样本中相对应的输出模式。当待识别的输入模式与训练样本中所有输入模式都不完全相同时，则可得到与其相近样本相对应的输出模式。当待识别的输入模式与训练样本中所有输入模式相差较远时，就不能得到正确的识别结果，此时可将这一模式作为新的样本进行训练，使神经网络获取新的知识，并存储到网络的权值矩阵中，从而增强网络的识别能力。第第6章章 新型控制策略新型控制策略50BP网络的训练过程如下：正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；否则，转至反向传播。第第6章章 新型控制策略新型控制策略51以

28、第p个样本为例，用于训练的BP网络结构如图6-17所示。图6-17 BP神经网络结构 第第6章章 新型控制策略新型控制策略52网络的学习算法如下：(1)正向传播：计算网络的输出。(2)反向传播：采用梯度下降法，调整各层间的权值。第第6章章 新型控制策略新型控制策略53(1)正向传播：计算网络的输出。隐层神经元的输入为所有输入的加权之和，即 jijiixw x隐层神经元的输出 jx采用S函数激发 jx，得 1()1jjjxxf xe则(1)jjjjxxxx输出层神经元的输出为 ljljjxw x第第6章章 新型控制策略新型控制策略54第第6章章 新型控制策略新型控制策略55(2)反向传播：采用梯

29、度下降法，调整各层间的权值。权值的学习算法如下 输出层及隐层的连接权值 jlw学习算法为 pljllljjljlExweexww 式中，为学习速率，0,1。k十1时刻网络的权值为 隐层及输入层连接权值 ijw学习算法为 式中，。(1)()jljljlwkwkw1NplijllijijExweww(1)jjjlljlijljjiijjjijjxxxxxwxwxxxwxxwx第第6章章 新型控制策略新型控制策略56k十1时刻网络的权值为(1)()ijijijw kw kw为厂避免权值的学习过程发生振荡、收敛速度模，需要考虑上次权值变化对本次权值变化的影响，即加入动量因子 。此时的权值为 式中，为动

30、量因子，。0,1(1)()()(1)jljljljljlwkwkwwkwk(1)()()(1)ijijijijijw kw kww kw k第第6章章 新型控制策略新型控制策略577.BP7.BP网络模式识别仿真实例网络模式识别仿真实例 取标准样本为三输入两输出样本，见表6-1。表6-1 训练样本 第第6章章 新型控制策略新型控制策略58BP网络模式识别程序包括网络训练程序chap6-2a.m和网络测试程序chap6-2b.m。运行程序chap6-2a.m，取网络训练的最终指标为E=10-20，网络训练指标的变化如图6-18所示。将网络训练的最终权值为用于模式识别的知识库，将其保存在文件wfi

31、le.mat中。第第6章章 新型控制策略新型控制策略59表6-2 测试样本及结果 第第6章章 新型控制策略新型控制策略60图6-18 样本训练的收敛过程 第第6章章 新型控制策略新型控制策略616.3 6.3 神经网络控制神经网络控制控制理论在经历了经典控制和现代控制以后，随着被控对象变得越来越复杂、对对象和环境的知识知道得越来越少、控制精度越来越高，迫切希望控制系统具有自适应自学习能力、良好的鲁棒性和实时性。6.3.1 6.3.1 概述概述神经网络是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能力和对非线性系统的强大映射能力。神经网络所具有的大规模并行性、冗余性、容错性、本质的非

32、线性及自组织、自学习、自适应能力，使其广泛应用于复杂对象的控制中。第第6章章 新型控制策略新型控制策略62神经网络本身具备传统的控制手段无法实现的一些优点和特征，使得神经网络控制器的研究迅速发展。从控制角度来看，神经网络用于控神经网络用于控制优越性主要表现为：制优越性主要表现为：(1)神经网络能处理那些难以用模型或规则描述的对象；(2)神经网络采用并行分布式信息处理方式，具有很强的容错性；(3)神经网络在本质上是非线性系统，可以实现任意非线性映射，神经网络在非线性控制系统中具有很大的发展前途；(4)神经网络具有很强的信息综合能力，它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

33、补性和冗余性问题；(5)神经网络的硬件实现愈趋方便，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，为神经网络在控制中的应用开辟了广阔的前景。第第6章章 新型控制策略新型控制策略63神经网络控制所取得的进展为：神经网络控制所取得的进展为：(1)基于神经网络的系统辨识：可在己知常规模型结构的情况下，估计模型的参数；或利用神经网络的线性、非线性特性，建立线性、非线性系统的静态、动态、逆动态及预测模型。(2)神经网络控制器：神经网络作为控制器，可实现对不确定系统或未知系统进行有效的控制，使控制系统达到所要求的动态、静态特性。(3)神经网络与其他算法相结合：神经网络与专家系统、模糊逻辑、遗

34、传算法等相结合可构成新型控制器。(4)优化计算：在常规控制系统的设计中，常遇到求解约束优化问题，神经网络为这类问题提供了有效的途径。(5)控制系统的故障诊断：利用神经网络的逼近特性，可对控制系统的各种故障进行模式识别，从而实现控制系统的故障诊断。第第6章章 新型控制策略新型控制策略64神经网络控制在理论和实践上，以下问题是研究的重点：神经网络控制在理论和实践上，以下问题是研究的重点：(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。第第6章章 新型控制策略新型控制策略65 6.3.2 6.3

35、.2 神经网络控制的结构神经网络控制的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：一类为神经控制，它是以神经网络为基础而形成的独立智能控制系统；另一类为混合神经网络控制，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，目前神经网络控制器尚无统一的分类方法。综合目前的各种分类方法，可将神经网络控制的结构归结为以下7类。第第6章章 新型控制策略新型控制策略661.1.神经网络监督控制神经网络监督控制 首先对人工控制或传统控制进行学习，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。神经网络监督控制的结构如图6-19所示。图6-1

36、9 神经网络监督控制 在监督控制系统中，神经网络需要脱机进行训练。训练时采用一系列示教数据。这些数据是执行人工控制时的输入、输出数据。输入数据一般是传感器所检测出的数据，输出数据则是人所确定的数据。也就是说，神经网络的学习是执行传感输入到人工控制作用的映射。第第6章章 新型控制策略新型控制策略672.2.神经网络直接逆控制神经网络直接逆控制 神经网络直接逆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。在逆控制系统中，如果被控对象的模型用F表示，那么，

37、神经网络所构成的控制器的模型是F-1，即是一个逆模型。实际上，被控对象可以是一个未知的系统，在被控对象输入端加入u*，则其输出就会产生y*。用y*作为输入，u*作为输出去对神经网络进行训练，则得到的神经网络就是被控对象的逆模型。在训练时，神经网络的实际输出用u表示，则用（u-u*）这个偏差可以控制网络的训练过程。第第6章章 新型控制策略新型控制策略68一般来说，为了获取良好的逆动力学性能，通常在训练神经网一般来说，为了获取良好的逆动力学性能，通常在训练神经网络时所取值的范围比实际对象的输入、输出数据的取值范围要络时所取值的范围比实际对象的输入、输出数据的取值范围要大一些。大一些。在逆控制系统中

38、，神经网络直接连在控制回路作为控制器，控在逆控制系统中，神经网络直接连在控制回路作为控制器，控制效果严重地依赖控制器对对象逆向模拟的真实程度（逆控制制效果严重地依赖控制器对对象逆向模拟的真实程度（逆控制的可用性在相当程度上取决于逆模型的准确精度）。由于这种的可用性在相当程度上取决于逆模型的准确精度）。由于这种系统缺少反馈环节，所以，其鲁棒性不足。对于要求有一定鲁系统缺少反馈环节，所以，其鲁棒性不足。对于要求有一定鲁棒性的应用场合，这种控制系统就存在一些问题。在线学习可棒性的应用场合，这种控制系统就存在一些问题。在线学习可以在一定程度上克服其鲁棒性不好的问题。在线学习可以调整以在一定程度上克服其

39、鲁棒性不好的问题。在线学习可以调整神经网络的参数，使神经网络对逆模型的真实度提高。神经网络的参数，使神经网络对逆模型的真实度提高。第第6章章 新型控制策略新型控制策略69在图6-20中，NNl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。图6-20 神经网络直接逆控制的结构第第6章章 新型控制策略新型控制策略703.3.神经网络自适应控制神经网络自适应控制 神经网络自适应控制是把神经网络用于传统自适应控制方法中而产生的新的控制方法。神经网络自适应控制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

40、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，控制系统的目的就是使被控对象的输出渐进地趋近于参考模型的输出。第第6章章 新型控制策略新型控制策略71神经网络自校正控制神经网络自校正控制a.神经网络直接自校正控制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。在本质上同神经网络直接逆控制，其结构如图6-20所示。图6-20 神经网络直接逆控制的结构第第6章章 新型控制策略新型控制策略72b.神经网络间接自校正控制 间接自校正控制使用常规控制器，神经网络估计器需较高建模精度。其结构如图6-21所示。图6-21 神经网络间接自校正控制 假设被控对

41、象为单变量仿射非线性系统()()()()tty tf yg y u t第第6章章 新型控制策略新型控制策略73神经网络模型参考自适应控制图6-22 神经网络模型参考自适应控制 第第6章章 新型控制策略新型控制策略744.4.神经网络内模控制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，两者输出之差被用做反馈信号，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6-23所示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6-23 神经网络内模控制 第第6章章 新型控制策略新型控制策略755.5.神经网络预测控制神经网络预测控制 图6-24 神经网络预测控制 神经网络预测控制的结构如图6-24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，可以由当前的系统控制信息预测出在未来一段时间 范围内的输出值 。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u(t)。()tk()y tk第第6章章 新型控制策略新型控制策略76THANK YOU VERY MUCH！结束放映