神经网络与智能控制技术

⒉逆控制器
神经网络的训练目的就是为了 逼近此系统的逆动力学模型。
神经网络接受系统的被控状态信息，神经网络的输出与该被控 制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，并可 利用常规的BP学习算法及其改进的算法来进行控制网络的训练。一 旦训练成功，从理论上来看只要直接把神经网络控制器接到动力学 系统的控制端就可以实现无差跟踪控制，即要实现期望的控制输出 只要将此信息加到神经网络的输入端就可以了。
r
e
_
内模 控制器
D (z )

u
对象
P (z )
y ˆ y
内部模型 e1
ˆ P( z )
神经内模控制⑵
可推导出反馈量、控制量、输出量间关系的 Z 变换式：
U ( z)
[ R ( z ) ( z )] ˆ ( z )] 1 D ( z )[ P ( z ) P D( z ) P( z ) Y ( z) [ R ( z ) ( z )] ( z ) ˆ ( z )] 1 D ( z )[ P ( z ) P
⒎混合控制系统
它是由神经网络技术与模糊控制、专家系统等相结合形成的一种 具有很强学习能力的智能控制系统。它集人工智能各分支的优点， 使系统同时具有学习、推理和决策能力，成为智能控制的最新发展 方向。 从以上分析可知，不管采用何种神经网络控制结构，要真正实 现神经网络智能控制的目的，必须具备一种有效的学习机制来保证 神经控制器的自学习、自适应功能，达到真实意义上的智能控制。 此外，不难看出，神经网络模型对于未知动力学系统的控制是至关 重要的。因此，在讨论神经控制器的学习问题之前先来看一下非线 性动力学系统的神经网络辨识问题。非线性系统的神经网络辨识基 础是神经网络的逼近能力。考虑到前向传播网络有成熟有效的学习 方法，本章重点讨论前向传播网络的辨识和控制问题。
r e
控制器
u
对象

y
－
图 4-2-1 闭环控制系统框图
三、神经网络控制的设计⑵
2．不确定、不确知系统与环境 对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统 的设计问题，是控制领域研究的核心问题。神经控制是解决问题的一条 途径。 在已知被控对象的一些先验知识情况下： ⑴由神经网络做辨识器，在线识别对象模型，由于网络的学习能力， 辨识器的参数可随着对象、环境的变化而自适应的改变。 ⑵由神经网络做控制器，其性能随着对象、环境的变化而自适应的 改变（通过神经辨识器）。
⒍自适应评价网络
评价网络
P(x)
控制 网络
ˆ re (k )
u (k )
re (k )
对象
x(k ) 图 4-9-3 动作—评价学习神经控制
再励学习用于神经控制的基本思想： 不需已知对象模型，且没有足够知识的情 况下，通过学习机制对环境的交互，评价控 制的优劣，用‘奖或惩’算法训练控制器， 使之对复杂的非线性、不确定、不确知系统， 达到有效的控制。
i 1
图 4-2-4
控制量的输出和存储
神经控制软件流程
五、神经网络控制器的分类
根据神经网络在控制器中的作用不同，神经网络在 控制系统设计中的应用一般分为两类，一类称神经控制， 它是以神经网络为基础而形成的独立智能控制系统；另 一类称为混合神经网络控制，它代表着那些利用神经网 络学习和优化能力来改善传统控制的现代控制方法，如 自适应神经控制等。目前神经控制器的分类还存在较大 的争议，没有一个统一的分类法。综合目前各国专家的 分类法，我们将一些典型的神经网络的控制结构和学习 方式归结为以下七类。
第四章 神经网络与智能控制
对象
神经网络控制
神经网络控制 是将神经网络在相应的控制结构中做 控制器、辨识器 神经网络控制 主要是为解决复杂的非线性、不确定、不确知 系统，在不确定、不确知环境中的控制问题 神经网络控制 使控制系统稳定、鲁棒性好，具有要求的动态、 静态性能

引言
由于神经网络具有大规模并行性、冗余性、容错性、本 质的非线性及自组织、自学习、自适应能力，故已成功地应 用于许多不同的领域。如在最优化、模式识别、信号处理和 图像处理等领域首先取得了成功。神经网络理论的诞生同样 给不断面临着挑战的控制理论带来生机。控制理论在经历了 经典控制论、状态空间论、动态规划、最优控制等阶段以后， 随着被控对象变得越来越复杂、控制精度越来越高、对对象 和环境的知识知道甚少的情况下，智能控制理论和技术迅速 顺起。此外，在有众多不确定因素和难以确切描述的非线性 控制系统中，对控制的要求也越来越高，因此迫切希望新一 代的控制系统具有自适应自学习能力、良好的鲁棒性和实时 性、计算简单、柔性结构和自组织并行离散分布处理等智能 信息处理的能力。用神经网络构成的控制系统就是这样一代 新颖控制系统之一。
神经内模控制⑴
内模控制原理
由图得到误差、控制量、输出、反馈量的 Z 变换：
E ( z ) R ( z ) E1 ( z )
U ( z ) D( z ) E ( z ) Y ( z ) ( z ) P( z )U ( z ) ˆ E1 ( z ) Y ( z ) Y ( z ) ˆ v( z ) [ P( z ) P( z )]U ( z ) R(z ) ：输入信号 r 的 Z 变换。
神经模型参考自适应控制
神经模型参考自适应控制有两种结构：直接型与间接型。 间接型见下图，对象特性非线性、不确定、不确知时采用。神经网络 NNI 与 NNC 分 别实现在线系统辨识与控制。 原理：构造一个参考模型，使其输出为期望输出 y M ，控制的目的，是使 y 跟踪 y M 。 神经辨识器 NNI 用串—并联结构的非线性 DTNN，神经控制器 NNC 用非线性 DTNN 实 现。
否 采 样 ? 控 制 子 程 序 控制算法 是 数据采集
t1 t2 t3
控制量的输出和存储
图 4-2-4
神经控制软件流程
四、神经网络控制的实现⑶
２. 实时控制
起 始
T 神经控制是实时控制，即，控制器要在采样周期 内 完成一个控制步的操作（程序实现）。 单输入单输出（SISO）系统，控制步的操作： （1）数据采集：需时t1 ；
采样 开关 A/D 神经控制器 D/A 保持器 对象 (过程)
y (t )
模拟输入通道 模拟输出通道
图 4-2-3
神经控制系统硬件框图
四、神经网络控制的实现⑵
起 始
软件
主程序：初始化设置
① 主程序:功能是进行系统初 始化设置。 ② 控制子程序:实现神经控制 算法， 若既有辩识器又有控制器的控 制结构，则，神经控制算法包 括这两部分。
D( z)
ˆ 1 D( z ) P( z ) R( z ) ( z) ˆ ( z )] ˆ ( z )] 1 D ( z )[ P ( z ) P 1 D ( z )[ P ( z ) P D( z ) P( z )
内模 控制器
D (z )

r
e
_
u
对象
P (z )
y ˆ y
二、神经网络的逼近能力
前向传播神经网络若含有两个隐含层，且神经元 激励函数为单调的S型函数，则此神经网络能够得到 合适的逼近精度。
三、神经网络控制的设计⑴
1. 确定性系统与环境 （１）已知对象特性及外加扰动是确定性的，时不变的； （２）已知系统期望输出r，要求的性能指标。 控制系统的设计： 设计控制器，校正对象的特性，使控制系统达到要求的性 能指标，即，使控制系统在r作用下，由控制器给出的控制量u 作用于对象，使其输出y跟踪r 。 对于确定性系统与环境，选择某种控制结构，可设计出确 定参数的控制器。
× Æ ÷É Æ ¿ Ö Æ è ¼ ñ ­ ø ç æ ¶ ÷ É ¾ Í Â ±Ê Æ
r
Ô £ ý × Æ ÷ ×Ð Õ ¿ Ö Æ
uБайду номын сангаас
» × Ô ó ±¿ ¶ Ï
由两个回路组成： （1）自校正控制器与被控对象构成的反馈回路。 （2）神经网络辨识器与控制器设计，以得到控制器的参数。 神经辨识器与自校正控制器的在线设计，是自校正控制实现的关键。
⒊自适应网络控制器
在结构上完全等同于 线性系统的自适应控 制器，只是利用了非 线性的神经网络代替 了线性系统中的线性 处理单元。 自适应控制系统要求控制器能够随着系统环境或参数的变化而对控 制器进行调节以便达到最优控制的特性。 自适应网络控制器有两个控制结构：一是直接自适应网络控制结构； 二是间接自适应网络控制结构。直接自适应网络控制结构是将系统误差 信号ec直接用于神经控制器的自适应调整。但目前还没有一种可行的方法 来解决未知动力学模型的控制问题。间接自适应网络控制结构利用神经 网络辨识器和神经网络控制器代替经典控制结构中的辨识模型和控制器， 使得系统的学习和控制能够实现。控制器的设计准则仍然是依赖于系统 的输出预报误差最小原则。
⒋神经内模控制结构
内模控制以其较强的鲁 棒性和易于进行稳定性 分析的特点在过程控制 中获得广泛的应用。在 这种控制结构中，在反 馈回路中直接使用系统 的前向模型和逆模型。 在内模控制结构中，与实际系统并行的网络模型一并建立，系统 实际输出与模型M的输出信号差用于反馈的目的。这个反馈信号通过 前向通道上的控制子系统G预处理，通常G是一个滤波器，用于提高系 统的鲁棒性。系统模型M和控制器C由神经网络来实现。
一、神经网络用于控制的优越性
⑴可以处理那些难以用模型或规则描述的过程或系统。 ⑵采用并行分布式信息处理方式，具有很强的容错性。
⑶神经网络是本质的非线性系统。 目前研究最多的神经网络模型是多层前向传播网络，它是 由大量具有S形曲线的非线性神经元组成的。 它可以实现任何非线性映射。 ⑷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，能解决输入信息 之间的互补性与冗余性问题，协调好互相矛盾的输入信息。 ⑸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，这使处理速度进一步提高，为神经网络的应用开 辟了广阔的前景。