智能控制导论蔡志兴版教学ppt课件

《智能控制导论蔡志兴版教学ppt课件》由会员分享，可在线阅读，更多相关《智能控制导论蔡志兴版教学ppt课件（28页珍藏版）》请在装配图网上搜索。

1、智能控制导论国家精品课程配套教材蔡自兴 1智能控制导论国家精品课程配套教材15.1 5.1 人工神经网络的初步知识人工神经网络的初步知识5.2 5.2 神经控制的结构方案神经控制的结构方案5 5.3 .3 神经控制器的设计神经控制器的设计5.4 5.4 小结小结第五章第五章 神经控制神经控制2第五章神经控制25 5.1.1 人工神经网络的初步知识人工神经网络的初步知识5 5.1.1 .1.1 神经元及其特性神经元及其特性神经元模型神经元模型连接机制结构的基本处理单元与神经生理学类比往往称连接机制结构的基本处理单元与神经生理学类比往往称为神经元为神经元每个构造起网络的神经元模型模拟一个生物神经元

2、每个构造起网络的神经元模型模拟一个生物神经元 -1-1中间状态由输中间状态由输入信号的权和入信号的权和表示表示神经元单元神经元单元由多个输入由多个输入35.1人工神经网络的初步知识5.1.1神经元及其特性-生物神经元的结构生物神经元的结构 神经细胞是构成神经系统的基本单元，称之为生物神经神经细胞是构成神经系统的基本单元，称之为生物神经元，简称神经元。神经元主要由三部分构成：元，简称神经元。神经元主要由三部分构成：（1 1）细胞体细胞体;（2 2）轴突轴突;（3 3）树突树突;4生物神经元的结构4强调强调 突触是神经元之间相互连接的接口部分，即一个神突触是神经元之间相互连接的接口部分，即一个神经

3、元的神经末梢与另一个神经元的树突相接触的交经元的神经末梢与另一个神经元的树突相接触的交界面，位于神经元的神经末梢尾端。突触是轴突的界面，位于神经元的神经末梢尾端。突触是轴突的终端。终端。神经元是构成神经网络的最基本单元（构件）。神经元是构成神经网络的最基本单元（构件）。人工神经元模型应该具有生物神经元的六个基本特人工神经元模型应该具有生物神经元的六个基本特性性5强调5人工神经元的工作过程人工神经元的工作过程 对对于于某某个个处处理理单单元元（神神经经元元）来来说说，假假设设来来自自其其他他处处理理单单元元（神神经经元元）i i的的信信息息为为X Xi i，它它们们与与本本处处理理单单元元的的互

4、互相相作作用用强强度度即即连连接接权权值值为为W Wi i,i=0,1,n-1,i=0,1,n-1,处处理理单单元元的的内内部阈值为部阈值为。那么本处理单元（神经元）的输入为。那么本处理单元（神经元）的输入为而处理单元的输出为而处理单元的输出为（9.1.2）式中，式中，x xi i为第为第i i个元素的输入，个元素的输入，w wi i为第为第i i个处理单元与本处理单元的互联个处理单元与本处理单元的互联权重。权重。f f称为激发函数或作用函数，它决定节点（神经元）的输出。称为激发函数或作用函数，它决定节点（神经元）的输出。6人工神经元的工作过程而处理单元的输出为（9.1.2）式中，(a)(a)

5、阈值型阈值型 (b)(b)分段线性型分段线性型 (c)Sigmoid (c)Sigmoid函数型函数型 (d)(d)双曲正切型双曲正切型 这里，激发函数一般具有非线性特性,常用的非线性激发函数如图所示称为激活值神经网络的基本概念及组成特性7(a)阈值型(b)分段线性型5 5.1.2.1.2 神经网络与智能控制神经网络与智能控制神经网络特性神经网络特性 并行分布处理并行分布处理非线性映射非线性映射 通过训练进行学习通过训练进行学习 适应与集成适应与集成 硬件实现硬件实现 神经网络用于智能控制系统的潜力神经网络用于智能控制系统的潜力神经网络因其学习和适应、自组织神经网络因其学习和适应、自组织函数逼

6、近和大规模并行处理等能力函数逼近和大规模并行处理等能力85.1.2神经网络与智能控制神经网络特性85.1.3 人工神经网络的基本类型和学习算法人工神经网络的基本特性和结构人工神经网络的基本特性和结构人工神经网络由神经元模型构成具有并行分布结构人工神经网络由神经元模型构成具有并行分布结构每个神经元具有单一输出，能够与其它神经元连接每个神经元具有单一输出，能够与其它神经元连接 存在许多输出连接方法，每种对应一个连接权系数存在许多输出连接方法，每种对应一个连接权系数人工神经网络是一种具有下列特性的有向图人工神经网络是一种具有下列特性的有向图对于每个节点对于每个节点i i存在一个状态变量存在一个状态变

7、量x xi i从节点从节点j j至节点至节点i i，存在一个连接权系统数存在一个连接权系统数w wijij对于每个节点对于每个节点i i，存在一个阈值存在一个阈值i i 对于每个节点对于每个节点i i，定义一个变换函数定义一个变换函数 对于最一般的情况，此函数取对于最一般的情况，此函数取 形式形式95.1.3人工神经网络的基本类型和学习算法人工神经网络的基人工神经网络基本分为两类人工神经网络基本分为两类即递归（反馈）网络前馈网络 v1v2vn输入 输出输入层隐层输出层反向传播3x2x1x3x2x1x11w1x2x3xny1y1mw递归网络前馈网络5.1.3 人工神经网络的基本类型和学习算法10

8、人工神经网络基本分为两类v1v2vn输入输出输入层隐层输一个简单的前向传播网络一个简单的前向传播网络11一个简单的前向传播网络11人工神经网络的主要学习算法人工神经网络的主要学习算法 有师学习有师学习 有师学习算法能够根据期望的和实际的网络输出（对应于有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。给定输入）间的差来调整神经元间连接的强度或权。无师学习无师学习 无师学习算法不需要知道期望输出。无师学习算法不需要知道期望输出。强化学习强化学习强化学习算法采用一个强化学习算法采用一个“评论员评论员”来评价与给定输入相对来评价与给定输入相对应的神经网络

9、输出的优度（质量因数）应的神经网络输出的优度（质量因数）5.1.3 人工神经网络的基本类型和学习算法12人工神经网络的主要学习算法5.1.3人工神经网5.1.4 人工神经网络的典型模型自适应谐振理论（自适应谐振理论（ARTART）双向联想存储器（双向联想存储器（BAMBAM）BoltzmannBoltzmann机（机（BMBM）反向传播（反向传播（BPBP）网络网络对流传播网络对流传播网络(CPN)CPN)HopfieldHopfield网网MadalineMadaline算法算法认知机（认知机（NeocognitionNeocognition）感知器（感知器（PerceptionPercep

10、tion）自组织映射网（自组织映射网（SOMSOM）135.1.4人工神经网络的典型模型自适应谐振理论（ART）1自适应谐振理论自适应谐振理论环境变化环境变化网络的可塑性分析网络的可塑性分析新添样本新添样本训练训练合并合并重新训练重新训练应用应用新环境下的应用新环境下的应用样本集样本集网络的可塑性需要的网络的可塑性需要的4 4项功能项功能样本的分类功能样本的分类功能分类的识别功能分类的识别功能比较功能比较功能类的建立功能类的建立功能14自适应谐振理论环境变化网络的可塑性分析新添样本训练合并重新训基本的双联存储器结构基本的双联存储器结构 W W第第1 1层层输入向量输入向量第第2 2层层输出向量

11、输出向量W WT Tx x1 1x xn ny ym my y1 1智力链智力链从一件事想到另一件事，从一件事想到另一件事，“唤回失去的记忆唤回失去的记忆”。自相联自相联异相联异相联双联存储器（双联存储器（Bidirectional Associative MemoryBAMBidirectional Associative MemoryBAM）。）。15基本的双联存储器结构第1层输入向量第2层输出向量WTx1BoltzmannBoltzmann机的训练机的训练 BoltzmannBoltzmann机机是是多多级级循循环环网网络络，是是HopfieldHopfield网网的的一一种扩展。种扩展

12、。神经元神经元ANANi i实际输出状态实际输出状态o oi i=1=1的概率为：的概率为：T T趋趋近近于于0 0时时，神神经经元元的的状状态态不不再再具具有有随随机机性性，BoltzmannBoltzmann机退化成一般机退化成一般HopfieldHopfield网。网。16Boltzmann机的训练Boltzmann机是多级循环网 由于在反馈网络中，网络的输出要反复地作为输入再送入网络中，这就使得网络具有了动态性，网络的状态在不断的改变之中，因而就提出了网络的稳定性问题。所谓一个网络是稳定的是指从某一时刻开始，网络的状态不再改变。设用X(t)表示网络在时刻t的状态，如果从t=的任一初态X

13、(0)开始，存在一个有限的时刻t，使得从此时刻开始神经网络的状态不再发生变化，即 就称此网络是稳定的。Hopfield模型及其学习算法17由于在反馈网络中，网络的输出要反复地作为输入再送入网络中简单的反馈神经网络图18简单的反馈神经网络图183.2 3.2 感知器的学习算法感知器的学习算法 感知器的学习是有导师学习感知器的学习是有导师学习 感知器的训练算法的基本原理来源于著名的感知器的训练算法的基本原理来源于著名的HebbHebb学习律学习律 基本思想：逐步地将样本集中的样本输入到网基本思想：逐步地将样本集中的样本输入到网络中络中,根据输出结果和理想输出之间的差别来调整根据输出结果和理想输出之

14、间的差别来调整网络中的权矩阵网络中的权矩阵 193.2感知器的学习算法感知器的学习是有导师学习195.1.5 基于神经网络的知识表示和推理基于神经网络的知识表示基于神经网络的知识表示传统的人工智能系统中所用的是知识的显示表示传统的人工智能系统中所用的是知识的显示表示,而神而神经网络中的知识表示是一种隐式表示经网络中的知识表示是一种隐式表示.隐式表示隐式表示,知识并知识并不像在生产式系统中那样独立地表示不像在生产式系统中那样独立地表示,而是将某一问题而是将某一问题的若干知识在同一网络表示的若干知识在同一网络表示基于神经网络的推理基于神经网络的推理 基于神经网络的推理是通过网络计算实现的基于神经网

15、络的推理是通过网络计算实现的.把用户提把用户提供的初始证据用作网络的输入供的初始证据用作网络的输入,通过网络计算最终得到通过网络计算最终得到输出结果输出结果医疗诊断实例和异或模型医疗诊断实例和异或模型正向网络推理步骤及其特性正向网络推理步骤及其特性205.1.5基于神经网络的知识表示和推理基于神经网络的知识表5.2 神经控制的结构方案5 5.2.1.2.1 NNNN学习控制学习控制基于神经网络的监督式控制基于神经网络的监督式控制实现实现NNNN监督式控制的步骤监督式控制的步骤通过传感器和传感信息处理，调用必要的和有用的控制信息通过传感器和传感信息处理，调用必要的和有用的控制信息构造神经网络，选

16、择构造神经网络，选择NNNN类型、结构参数和学习算法等类型、结构参数和学习算法等训练训练NNNN控制器，实现输入和输出间的映射，以便进行控制控制器，实现输入和输出间的映射，以便进行控制 NNC 受控对象 监督程序 r(t)+-e(t)u(t)+-选择器y(t)215.2神经控制的结构方案5.2.1NN学习控制NNC5.2.2 NN直接逆模控制原理与特点原理与特点这种控制采用受控系统的一个逆模型，它与受控系统串接以这种控制采用受控系统的一个逆模型，它与受控系统串接以便使系统在期望响应（网络输入）与受控系统输出间得到一便使系统在期望响应（网络输入）与受控系统输出间得到一个相同的映射个相同的映射由于

17、不存在反馈，本法鲁棒性不足；逆模型参数可通过在线由于不存在反馈，本法鲁棒性不足；逆模型参数可通过在线学习调整，以期把受控系统的鲁棒性提高至一定程度学习调整，以期把受控系统的鲁棒性提高至一定程度NN直接逆控制的两种结构方案直接逆控制的两种结构方案 NN1 R(t)NN2e(t)u(t)+-y(t)对象 NN EF r(t)e(t)u(t)y(t)对象225.2.2NN直接逆模控制原理与特点NN1R(t)5.2.2 NN内模控制基于基于NNNN的内模控制的结构图示于下图的内模控制的结构图示于下图其中，系统模型（其中，系统模型（NN2NN2）与实际系统并行设置与实际系统并行设置反馈信号由系统输出与模

18、型输出间的差得到反馈信号由系统输出与模型输出间的差得到由由NN1NN1（在正向控制通道上一个具有逆模型的在正向控制通道上一个具有逆模型的NNNN控控制器）进行处理；制器）进行处理；NN1NN1控制器应当与系统的逆有关控制器应当与系统的逆有关滤波器 NN1 装置 NN2 r(t)e(t)u(t)ym(t)d+-235.2.2NN内模控制基于NN的内模控制的结构图示于下图5.2.3 NN自适应控制NN自校正控制（自校正控制（STC）直接自校正控制、间接自校正控制直接自校正控制、间接自校正控制NNNN参考自适应控制（参考自适应控制（MRACMRAC）NNNN直接参考自适应控制、直接参考自适应控制、N

19、NNN间接参考自适应控制间接参考自适应控制常规控制器 装置 NN辨识器r(t)e(t)u(t)y(t)d NNC 参考模型 装置 r(t)e(t)u(t)ec(t)ym(t)y(t)d+-+-NN直接参考自适应控制间接自校正控制245.2.3NN自适应控制NN自校正控制（STC）常规控制5.3 神经控制器的设计神经控制器的设计一般应过以下内容神经控制器的设计一般应过以下内容建立受控对象的数学计算模型或知识表示模型建立受控对象的数学计算模型或知识表示模型选择神经网络及其算法选择神经网络及其算法,进行初步辨识与训练进行初步辨识与训练设计神经控制器设计神经控制器,包括控制器结构、功能与推理包括控制器

20、结构、功能与推理控制系统仿镇实验，并通过实验结果改进设计控制系统仿镇实验，并通过实验结果改进设计255.3神经控制器的设计神经控制器的设计一般应过以下内容255.3 神经控制器的设计控制器结构和工作原理控制器结构和工作原理FCFIENNC对象对象+-eufu+unufyr 5.3 神经控制器的设计265.3神经控制器的设计控制器结构和工作原理FCFIENNC神经控制器及训练神经控制器及训练输入层 输出层中间层5.3 神经控制器的设计图 5.14 NNC 模型结构27神经控制器及训练输入层输出层中间层5.3神经控制器的设计5.4 小结本章首先简介人工神经网络及其结构和实例本章首先简介人工神经网络及其结构和实例然后以控制工程师熟悉的语言和图示介绍神经然后以控制工程师熟悉的语言和图示介绍神经控制器的各种基本结构方案，包括控制器的各种基本结构方案，包括基于神经网络的学习控制器基于神经网络的学习控制器基于神经网络的直接逆控制器基于神经网络的直接逆控制器基于神经网络的自适应控制器基于神经网络的自适应控制器基于神经网络的内模控制器基于神经网络的内模控制器285.4小结本章首先简介人工神经网络及其结构和实例28