基于神经网络输出反馈的动态矩阵控制研究
基于动态面技术的自适应神经网络控制研究的开题报告
基于动态面技术的自适应神经网络控制研究的开题报告一.选题背景与意义随着现代科技的不断发展，控制系统的需求不断增加。
而在各种控制系统中，神经网络控制日渐成为研究的热点。
神经网络控制具有自适应、非线性、鲁棒性等优点，可以应用于控制各种复杂的非线性系统。
然而，一般神经网络控制方法在应用中还存在一些问题，如控制精度不高、收敛速度慢等。
为了解决这些问题，控制领域学者们提出了许多新的神经网络控制方法，如基于动态面的自适应神经网络控制方法。
该方法具有针对性较强、精度较高的优点。
本课题选取这种基于动态面技术的自适应神经网络控制方法作为研究对象，并将其运用到实际系统控制中，从而探索其在实际应用中的优越性和可行性。
二.研究目标本课题的研究目标是：1.深入研究基于动态面技术的自适应神经网络控制方法的原理和特点。
2.将该方法应用到实际的控制系统中，检验该控制方法在实际应用中的可行性和优越性。
3.对研究结果进行分析和总结，从理论、工程实践两个方面评价该控制方法的优点和不足，提出改进和完善的建议。
三.研究方法1.文献调研法。
通过查阅相关文献和资料，了解基于动态面技术的自适应神经网络控制方法的基础理论、应用场景和实现方法。
2.仿真实验法。
利用机器学习软件对控制系统进行仿真实验，检验该方法在实际应用中的控制精度和稳定性。
3.数据分析法。
分析实验结果，比较该方法与传统方法的优缺点，提出改进和完善的建议。
四.研究内容和进度安排具体研究内容和进度安排如下：1.第一阶段（前两个月）：（1）文献调研，熟悉基于动态面技术的自适应神经网络控制方法。
（2）了解典型的控制系统，确定仿真实验系统，并搭建仿真模型。
2.第二阶段（第三个至第五个月）：（1）运用所学的技术，设计并实现基于动态面技术的自适应神经网络控制系统。
（2）进行仿真实验，对控制系统进行稳定性和性能分析。
3.第三阶段（第六个至第七个月）：（1）分析实验结果，总结控制方法的优缺点，提出改进和完善的建议。
基于神经网络的自适应控制技术研究
基于神经网络的自适应控制技术研究神经网络作为一种模拟人脑神经元网络的计算模型，在多个领域得到了广泛的应用。
其中，自适应控制技术是神经网络研究的重要方向之一。
使用神经网络进行自适应控制，可以有效地解决各种非线性、时变和模型不确定的动态系统控制问题。
一、神经网络的基本原理神经网络模仿人类大脑组织，由若干个神经元构成。
每个神经元接受若干个输入信号，并将它们加权求和后传递到激活函数中进行处理，最终得到输出信号。
多个神经元可以组成网络，进行更加复杂的信息处理和控制。
神经网络的学习过程是通过对输入和输出数据的训练实现的。
通常采用的训练方法是反向传播算法。
该算法基于一种误差反向传播的思想，通过计算每个神经元的误差，根据误差大小对神经元的权重进行更新和调整，不断减小网络的误差，达到有效的学习效果。
二、自适应控制技术自适应控制技术是一种针对动态系统进行控制的技术。
动态系统具有非线性、时变性、模型不确定等特性，传统的线性控制方法往往难以达到理想的效果。
自适应控制技术基于神经网络模型，可以进行模型自适应、参数自适应和信号处理等多种操作，以适应各种复杂的动态系统。
常见的自适应控制方法有基于模型参考自适应控制、基于模型自适应控制、基于直接自适应控制等。
其中，基于模型参考自适应控制是一种应用广泛的方法。
该方法将实际输出与期望参考模型的输出进行比较，通过误差反馈，计算调整控制器参数的信号，最终实现对动态系统的控制。
三、神经网络自适应控制技术的研究进展神经网络自适应控制技术在航空、机械、电力、化工等行业中得到了广泛的应用。
在航空领域，神经网络自适应控制技术可以应用于飞机自动驾驶、导航、起降控制等方面。
在机械领域，神经网络自适应控制技术可以应用于机械臂、机器人控制、数控机床等领域。
在电力、化工领域，神经网络自适应控制技术可以应用于发电机组调节、化工装置控制等领域。
目前，神经网络自适应控制技术的研究主要集中在以下几个方面：1.神经网络自适应PID控制技术PID控制是一种基于比例、积分、微分三个控制器参数的控制方法。
基于神经网络动态逆的动力伞飞行控制方法研究
基于神经网络动态逆的动力伞飞行控制方法研究钱克昌， 陈自力 ， 李建军械工程学院，河北 石家庄 050003摘 要：动力伞飞行控制系统为复杂的非线性系统，通过对神经网络逼近逆系统的原理分析，提出了一种由静态神经网络和积分器组成的动态神经网络，设计了基于神经网络动态逆方法的飞行控制方案，进行了飞行仿真验证，结果表明完全满足控制要求，具有较好的抗干扰能力和鲁棒性能。
关键词：动力伞；飞行控制；神经网络; 动态逆 中图分类号：V249；TP273 文献标识码：AControl Method of Dynamic Inversion with Neural NetworkUsed for Power ParafoilQIAN Kechang, CHEN Zili, LI Jian(Ordnance Engineering College, Shijiazhuang Hebei, 050003,)Abstract:. The flight control system of power parafoil is a complicated nonlinear system. Based on the tracking principle of neural network, a dynamic neural network which consist of static neural network and integrators is presented. This paper designs a control method of dynamic inversion used for power parafoil. Simulation results demonstrate that the control method has strong ability of control and robustness.Keyword: power parafoil ；flight control ；neural network ；dynamic inversion0 引言动力伞是在滑翔伞基础上发展起来的, 其飞行控制系统是一个复杂的多输入多输出非线性系统，其输入输出关系比线性系统复杂的多，系统各响应不满足叠加原理，各变量之间还存在耦合关系，使输入与输出之间的关系更加复杂，因此对动力伞飞行控制系统的控制还存在理论上的困难，更是一个工程上的难题。
神经网络在运动控制中的应用研究
神经网络在运动控制中的应用研究神经网络是一种模仿人类大脑神经网络结构和功能而构建的计算模型。
它能够通过学习和训练，对输入数据进行分类、识别或预测等任务。
由于其具有良好的非线性逼近能力和优秀的自适应性能，在运动控制领域中得到了广泛应用。
一、神经网络在运动控制中的基本原理神经网络在运动控制中的基本原理是通过对输入数据的学习和训练，对运动控制系统进行优化和改进。
其基本原理如下：1. 输入数据的采集：运动控制系统通过各种传感器获取输入数据，例如重心位置、速度、角度等。
这些数据将成为神经网络的输入单元。
2. 神经元：神经网络由许多处理单元（神经元）组成，它们模拟人类神经系统中的神经元。
每个神经元接收来自多个输入单元的信号，并做出相应的计算。
3. 权值：神经元之间的连接强度（权值）用于控制信息在神经网络中的流动。
训练过程中，系统根据预定的误差函数来不断调整权值，从而提高神经网络的性能。
4. 激活函数：神经网络会对输入进行非线性变换，以提取并组合新的特征。
这一步操作由激活函数完成，常见的激活函数有sigmoid、ReLU等。
5. 输出数据：神经网络的输出可以是控制信号，例如电机转速、舵角等。
二、神经网络在航空器控制中的应用航空器飞行控制需要高精度和高鲁棒性。
传统的PID控制器无法满足这一需求。
而神经网络具有非线性逼近优良和自适应性优良等特点，被广泛应用于航空器飞行控制中。
以滑翔机为例，利用神经网络进行滑行控制，可以达到更好的控制效果。
神经网络可以根据当前速度和航向，自适应地调整前轮的方向和转速，从而保证滑翔机的平稳滑行。
三、神经网络在机器人控制中的应用机器人是一种重要的运动控制应用场景，其需要对外部环境进行感知，并做出相应决策。
传统的控制方法难以应对复杂环境，而神经网络具有优秀的学习和自适应性能，可以有效提高机器人控制的精度和鲁棒性。
以巡逻机器人为例，神经网络可以根据前方障碍物的大小、车辆位置和最大速度等条件，自适应地调整机器人的转向和速度，实现路径规划和避障控制。
基于神经网络的智能控制系统研究
基于神经网络的智能控制系统研究【前言】随着科技的不断进步，人工智能成为了当前最火热的话题之一。
智能控制系统作为其中的一个重要组成部分，日益受到人们的关注。
本文将围绕基于神经网络的智能控制系统，从理论到实践，进行深入探讨。
【第一章神经网络基础】1.1 神经元模型神经元是神经网络的基本单元，其结构直接影响了神经网络的性能。
神经元模型包括感知器模型、S型模型、ReLu模型等。
其中感知器模型最早应用于神经网络中，但其具有局限性，只能解决线性可分问题。
而S型模型和ReLu模型相比之下更为广泛适用。
1.2 神经网络结构神经网络结构主要分为前馈神经网络和反馈神经网络。
前馈神经网络是指信号只能向前流动，不会产生循环反馈的现象；反馈神经网络则不存在这样的限制，信号可以在网络中循环传递。
目前，较为常用的前馈神经网络结构有多层感知器、卷积神经网络等。
【第二章智能控制系统】2.1 智能控制系统概述智能控制系统是指能够根据具体问题情况进行优化、学习、自适应等的控制系统。
其主要应用于自动控制、制造业、航空航天等领域。
2.2 智能控制系统分类智能控制系统根据其控制模型和控制算法的不同，可分为模糊控制系统、神经网络控制系统、遗传控制系统等。
其中，基于神经网络的智能控制系统在实际应用中越来越受到人们的重视。
【第三章基于神经网络的智能控制系统】3.1 神经网络控制系统框架基于神经网络的智能控制系统由感知器层、隐藏层、输出层等构成。
其中，隐藏层是神经网络中的核心，其神经元数量的选择对控制效果有直接影响。
3.2 神经网络训练方法神经网络训练方法包括有监督学习、无监督学习、强化学习等。
其中，有监督学习是最为常见的一种方法。
3.3 应用案例基于神经网络的智能控制系统已经在飞行器、机器人、水处理等领域得到了广泛应用。
其中，在制造业中，智能控制系统可有效降低生产成本、提高生产效率。
【结语】随着科技的不断进步，基于神经网络的智能控制系统将会越来越广泛应用。
动态信号矩阵反馈控制系统设计与优化
动态信号矩阵反馈控制系统设计与优化摘要：动态信号矩阵反馈控制系统是一种广泛应用于实际工程中的自动控制系统。
本文旨在介绍动态信号矩阵反馈控制系统的设计原理和优化方法。
在系统的设计过程中，需要考虑信号矩阵的动态特性和系统的稳定性。
同时，通过对控制系统的优化，可以提高系统的性能和响应速度。
本文将详细阐述动态信号矩阵反馈控制系统的设计与优化方法，并结合实际案例进行分析。
1. 引言动态信号矩阵反馈控制系统是一种利用动态信号来实现反馈控制的系统。
它通过测量系统输出和输入之间的差异，并将其作为反馈信号进行处理，来实现对系统的控制。
在实际工程中，动态信号矩阵反馈控制系统广泛应用于工业自动化、电力系统、交通运输等领域。
本文将详细介绍动态信号矩阵反馈控制系统的设计与优化方法，以期为实际工程应用提供参考。
2. 动态信号矩阵反馈控制系统的设计原理动态信号矩阵反馈控制系统的设计原理主要包括信号矩阵的构建和反馈控制的实现。
首先，需要构建合适的信号矩阵，以便能够准确反应系统的动态特性。
信号矩阵可包括传感器、滤波器、放大器等元件，其目的是将系统的动态特性转化为电信号进行处理。
其次，通过对反馈信号的分析和处理，实现对系统的控制。
这一过程包括误差检测、控制器设计以及输出控制信号等步骤。
3. 动态信号矩阵反馈控制系统的优化方法为了提高动态信号矩阵反馈控制系统的性能和响应速度，需要进行系统的优化。
在优化过程中，需要考虑以下几个方面。
3.1 控制器的优化控制器是动态信号矩阵反馈控制系统的核心部分，其设计的优化关系到整个系统的性能。
通过合理选择控制器的参数或者采用更高级的控制策略，可以提高系统的稳定性和响应速度。
3.2 信号矩阵的优化信号矩阵的优化可以通过选择合适的传感器和滤波器来实现。
传感器的选择应考虑其精度、灵敏度和纹波等因素，以便能够准确地反应系统的动态特性。
滤波器的选择应考虑其频率响应和滤波特性，以满足系统对信号矩阵的要求。
3.3 系统动态特性的优化系统的动态特性包括系统的阻尼比、频率响应和稳定性等方面。
基于神经网络的自动化控制系统研究
基于神经网络的自动化控制在自动驾驶中的应用案例
总结词
安全可靠、反应迅速、适应性强
详细描述
自动驾驶领域中，基于神经网络的自动化控 制系统能够实现安全可靠、反应迅速、适应 性强。通过神经网络模型对车辆行驶状态和 周围环境进行实时感知与预测，可以更好地 应对复杂的交通环境，提高车辆的安全性能
和行驶效率。
研究不足与展望
• 研究局限性：该研究主要关注了神经网络在自动化控制中的应用，对于其他相 关领域的研究未做深入探讨，具有一定的局限性。
• 算法优化空间：虽然该研究提出了一种新型的神经网络算法，但在处理复杂系 统时，算法的效率和稳定性还有待进一步提高。
• 跨领域合作：该研究主要集中于神经网络在自动化控制中的应用，未来可以加 强与其他领域的合作，拓展神经网络的应用范围。
分析基于神经网络的自动化控制系统在不同类型干扰下的鲁棒 性表现。
对比分析基于神经网络的自动化控制系统与传统控制系统的能 耗和效率，评估神经网络在自动化控制中的优势。
06
基于神经网络的自动化控 制系统的应用案例
基于神经网络的自动化控制在工业控制中的应用案例
总结词
提高效率、降低成本、精准控制
VS
详细描述
自动化控制系统的分类与应用
• 自动化控制系统主要分为开环控制系统和闭环控制系统。 • 开环控制系统：系统的输出不会对系统的控制产生影响。这种系统主要
用于不可控的扰动因素较小或可以忽略不计的情况。 • 闭环控制系统：系统的输出会对系统的控制产生影响。这种系统能够根
据输出结果进行反馈调节，具有更高的控制精度和鲁棒性。 • 自动化控制系统广泛应用于工业、农业、军事、航空航天、科学研究等
02
神经网络基础
人工神经网络理论在控制领域中的应用综述_汪镭
收稿日期:2000-01-03作者简介:汪 镭(1970-),男,江苏无锡人,工学博士.人工神经网络理论在控制领域中的应用综述汪 镭,周国兴,吴启迪(同济大学信息与控制系,上海 200092)摘要:力图从人工神经网络的研究历史出发,在对人工神经网络在控制系统中的应用现状作出概述之后,针对当前自动控制领域所遇到的难点问题,说明为什么人工神经网络理论能在其中获得如此广泛的关注,并详细论述其适用于控制工程领域应用的主要特征.关键词:人工神经网络;控制领域;应用中图分类号:T P 18 文献标识码:A 文章编号:0253-374X(2001)03-0357-05Artificial N eural Network Theory Application in Control FieldWAN G Lei,ZH OU Guo -x ing,W U Qi -di(Department of Information and Control,Tongji University,Shanghai 200092,China)Abstract :The authors try to summarize the application status of artificial neural network (ANN )in system control field.Aimed at the difficult problems in automatic control field study ,conclusions are got about w hy ANN can be such w idely used in this field based on the study history of ANN and its application history.ANN .s main characteristics of accommodation in control field application are summ arized in the end of this pa -per.Key words :artificial neural network;control field;application人工神经网络理论的研究是当前许多工程研究领域的热点话题,它的应用领域非常广泛,仅在与工业自动化相关的领域,如模式识别、信号处理、知识工程、专家系统、优化组合、智能控制等方向的研究中,已经有许多神经网络应用成功的论文报导.另外,许多非自动化工程领域,如应用声学、气象预报、情报分类、工程力学、土木工程、建筑结构等也开始注意到了人工神经网络这一有力的工具,并已逐步地将其应用到各类工程问题的解决中.人工神经网络理论为什么能在如此众多的工程研究领域获得关注,并且能取得如此多的成功应用呢?尤其是为什么自动控制研究领域对其如此关注?这就是本综述着力想说明的问题.在本文的最后,还将简要综述作者近年来所进行的相关工作.1 人工神经网络理论的研究简史[1]人工神经网络这一名词,是相对于生物学中所说的生物神经网络系统而言的.它的提出者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.对它的研究始于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,大致可为以下几个阶段:第29卷第3期2001年3月同 济 大 学 学 报JOU RNAL OF T ONGJI UNIVERSITY Vol.29No.3 M ar.2001358同济大学学报第29卷1.1初创期由心理学家W.S.M cCulloch和数学家W.Pitts于1943年所提出的M O P模型,一般被公认为是神经网络研究的开创性成果.模型中用逻辑的数学工具把客观事件用形式神经元进行表达,这类似于连接权不作调整的阈值单元模型.该时期的另一重要成果是由心理学家D.O.Hebb所提出的神经元之间突触强度的调整规则假说,即有名的Hebb规则.该规则至今仍在各种神经网络模型中起重要作用.这些成果是探索性的,但同时也是开创性的,许多成果至今仍对神经网络的理论研究有着重要影响.1.2初始兴盛期该时期的神经网络理论研究基本上确立了从系统的角度研究人工神经网络的基础.其代表性的研究成果是由F.Rosenblatt于50年代末所提出的感知器(Perceptron)模型.这是历史上第一个具有完整意义的神经网络模型,初步具备了神经网络的一些基本特征.另外,由B.Widrow和M.E.H off于60年代初所提出的自适应线性单元(Adaline)网络在自适应系统,如自适应滤波、预测和模式识别等的研究中也得到了很好的结果.在该段时期,人工神经网络的研究开始受到人们的重视,研究工作进入了初始的兴盛时期.1.3低潮期由于处于发展初始阶段的神经网络理论还有一定的缺陷,同时,以逻辑推理为基础的人工智能理论和Von Neumann型数字计算机正处于全盛的发展时期,掩盖了发展新型智能计算理论和新型智能技术的必要性,使人工神经网络理论研究走入了一个缓慢发展的低潮阶段.其标志是著名的人工智能学者、美国麻省理工学院的M.Minsky和S.Papert所著的5Perceptron6一书的出版.书中对以Perceptron模型为代表的神经网络在数学上作了深入研究,指出了其局限性.但即便如此,在此期间所提出的自组织映射理论、自适应共振理论和神经认知机模型等都对以后的神经网络研究产生了重大的影响.1.4复兴期由于神经网络研究者的突出成果,同时也由于传统的人工智能理论和Von.Neumann型计算机在许多智能信息处理问题上遇到了挫折,并且由于科学技术的发展为人工神经网络的物质实现提供了基础,促使人们将人工神经网络作为未来新一代智能计算机的实现模式之一加以研究.该阶段的标志之一是美国加州理工学院的生物物理学家J.J.Hopfield于1982年和1984年所提出的一种新型神经网络模型))) Hopfield神经网络模型.该神经网络被成功地用于解决了一个著名的优化组合问题)))旅行商问题,使其引起了全世界相关领域研究人员的广泛关注;该阶段的另一重要成果是D.E.Rumelhart和J.L.M ccle-l land等人所在的PDP(并行分布处理)研究小组所提出的BP(误差反向传播)学习算法.该算法解决了在多层神经网络学习训练过程中,中间隐含层各连接权重的调节方法问题,从而突破了Minsky等人所持悲观论点的前提条件,至今仍得到广泛的应用.1.5高潮期自Hopfield神经网络模型和BP算法提出之后,很快掀起了人工神经网络研究的全球性热潮.在此期间,各种神经网络模型相继提出,其中著名的有:1988年L.O.Chua提出的CNN(细胞神经网络)模型, 1984年H inton提出的Boltzm ann机,Grossberg等提出的ART(自适应共振)理论,Albus提出的CMAC(小脑模型)网络及Sanner等人提出的RBF高斯径向基函数网络等.同时还发展了各种学习算法.其应用已很快渗透到计算机图像处理、语音处理、优化计算、智能控制等领域,并取得了很大的进展.现在,人工神经网络的研究正在转入高潮期的快速稳定发展阶段.在理论研究上正在进一步深入,并开发新的网络数理理论,在应用研究方面,进一步进行其软件模拟和硬件实现的研究,并迅速扩展其应用领域,取得了更广泛的成果.2典型的神经网络结构在神经网络的控制领域应用中,各种模型层出不穷,但总的来说,大致可以归结为以下几类[1]:(1)前馈式网络:该种网络结构是分层排列的,每一层的神经元输出只和下一层神经元相连.这种网络结构特别适用于BP算法,如今已得到了非常广泛的应用.(2)输出反馈的前馈式网络:该种网络结构与前馈式网络的不同之处在于这种网络存在着一个从输出层到输入层的反馈回路.该种结构适用于顺序型的模式识别问题,如Fukushima 所提出的网络模型结构.(3)前馈式内层互连网络:该种网络结构中,同一层之间存在着相互关联,神经元之间有相互制约的关系,但从层与层之间的关系来看还是前馈式的网络结构.许多自组织神经网络大多具有这种结构,如ART 网络等.(4)反馈型全互连网络:在该种网络中,每个神经元的输出都和其它神经元相连,从而形成了动态的反馈关系,如Hopfield 网络.该种网络结构具有关于能量函数的自寻优能力,正是作者近年来研究工作中所采用的主要网络类型.(5)反馈型局部互连网络:该种网络中,每个神经元只和其周围若干层的神经元发生互连关系,形成局部反馈,从整体上看是一种网格状结构,如L.O.Chua 的细胞神经网络.该种网络特别适合于图像信息的加工和处理,在控制中的应用尚未见报导.3 人工神经网络适用于控制领域的主要特征、问题与难点人工神经网络的性能是由其结构特征和基本处理单元的特性所决定的,并与其学习算法有关.它之所以能在控制系统中得到如此广泛的应用,与自动控制理论的发展需要是密切相关的.自动控制理论从经典控制理论到现代控制理论,现在已经发展到对智能控制理论的产生提出了需求.传统的基于串行计算机理的Von Neumann 型计算机面对复杂的智能控制需求,在对环境变化的自适应特性和实时大规模计算等方面已显示出根本性的缺陷,而人工神经网络所表现的许多特点恰好预示着其在控制领域中的应用可能是使控制理论摆脱困境的一条有效途径:(1)非线性映射逼近能力: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)对信息的并行分布式综合优化处理能力: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.(3)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: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: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.以上主要特征适应了控制理论和控制工程领域发展的基本要求,能解决其中所遇到的问题,因此,必然使神经网络在该领域获得广泛应用.对于被控系统模型参数的不确定性变化以及模型结构本身的扰动问题,神经网络所具有的学习和自适应能力使其能够实时地模拟被控对象的特性变化,同时,即使当被控对象输出与模型输出存在一定误差时,其容错特性也会使控制系统具有一定的鲁棒性能;另外,神经网络的标准结构和模拟精度为解决非线性系统的自适应控制问题提供了一种标准框架;同时,作为一种本质的分布式并行信息处理系统,为被控系统的分布式信息处理和综合提供了一种有效的融合处理途径.当然,在具体应用时,神经网络结构和参数的选择、学习样本的选取、初值的设定、学习算法的收敛性及多信息的融合等也是必须考虑的问题,并且,它们往往与所要解决的实际问题相关,使其解决有了一定的难度.359 第3期汪 镭,等:人工神经网络理论在控制领域中的应用综述360同济大学学报第29卷4人工神经网络在控制系统中的应用概述人工神经网络由于其独特的模型结构和固有的非线性模拟能力,以及高度的自适应和容错特性等突出特征,在控制系统的建模、辨识和控制中都获得了广泛的应用,已取得了许多成果.这种应用几乎覆盖了控制理论研究中的绝大多数问题[2~6],主要有以下几种形式:(1)系统的模拟和辨识:在被控系统输入/输出映射为1O1映射的前提下,通过多层前馈网络能够提供该非线性被控对象的直接逆向模型.当系统的前馈映射不是1O1映射的前提下,就应采用指定性逆向学习方法.这样,也能找到一个特定的逆向模型;另一种系统辨识方法适用于反馈型的网络结构,通过一定的网络结构和参数设定,使神经网络的自组织稳态输出即被辨识的系统参数.(2)充当各类控制器[7~15]:神经网络在各类控制器框架结构的基础上,加入了非线性自适应学习机制,从而使控制器具有更好的性能.在以下几种控制结构中,多层前馈式神经网络的非线性拟合特性得到了应用.监督控制)))其中神经网络被用于对人的控制活动进行模拟,使网络在输入与人的感知信息相对应的数据时,能够输出此时人相应所采取的控制值.直接逆模控制)))神经网络在其中被用于建立被控对象的逆向模型,并当被控对象参数变化时进行在线的学习调整,使该种控制器具有一定的鲁棒特性.模型参考控制)))通过神经网络对理想参考模型的输入/输出数据进行学习,产生控制信号,使被控系统输出渐近地趋向于参考模型输出.它们之间的误差被用作控制器网络的训练.在这种模型结构下,作为控制器的神经网络仍然起到的是逆模控制的作用.内模控制)))其中用到了两组神经网络,被控系统和网络模型输出之间的误差被用作反馈信号,这种反馈信号经过前向通道的神经网络控制器进行处理.如果该神经网络已被训练为与系统的逆模相关,则该种控制方式将得到满意结果.预测控制)))这里也用到了两组神经网络的协调机制,一组神经网络被用于给出未来被控对象关于特定指标的预测值,并通过另一组已训练好的神经网络来模拟最优控制规律,在预测值的激励下给出符合预测控制目标的控制量输入被控对象.最优决策控制)))这种控制模式中也用到了两组神经网络.其中一组被训练用于进行控制器输入信号的矢量量化,另一组神经网络根据量化结果充当分类器,输出合适的控制信号.如果被控对象是线性系统,则反馈型互连网络,如H opfield神经网络能在其控制器中起一定作用.比如,它可被用作变结构控制中的元素调整,这种动态控制器能显示一定的自适应特性.Hopfield神经网络还能被包含于自适应回路中,当网络能量函数设为被控系统所有状态的平方误差率时,网络输出就能随时间的推移趋于线性系统的参数值.这样,Hopfield神经网络就能被用于对时变系统的最小平方估计,其输出在自适应机制中是有用的.5作者近期的主要研究工作作者研究采用的主要是一种反馈型神经网络:H opfield神经网络.该种网络是一种全对称互连的反馈式网络,其网络结构和神经元特性保证了其各神经元输出使标准能量函数值随时间的增长逐步趋于最小.这样,如果将系统辨识和控制的要求定义为相应的能量函数,则相应决定的神经网络参数和外部输入能保证各神经元输出的稳定值满足所定义的控制和辨识目标.另外,研究证明,该种网络对特定控制问题求解的动态过程本身也是可以利用的.作者近期研究工作的主要结论有[16~18]:(1)将H opfield神经网络在线性系统参数辨识方面的研究成果作了推广,考虑到了在实际系统运行时,系统信息检测所不能忽视的传感器特性的影响.在传感器为惯性延迟特性的假设前提下,得到了输入经传感器延迟的系统检测信息的神经网络正确进行辨识的充分条件.这种辨识方案在系统的参数辨识中得到了应用,并在具体的传动系统实例中作了验证.(2)提出了基于Hopfield神经网络的被控系统动态过程规划控制结构.在被控系统的动态过程规划中,神经网络对特定控制目标的搜寻过程信息被用作被控系统的动态指令信号.被控系统在神经网络控制下,按照神经网络所规划的动态趋于控制目标.由于Hopfield神经网络的固有特性,这样规划的系统动态总是随时间的进行使能量函数值递减,保证系统趋于控制目标.(3)提出了基于Hopfield 神经网络的模型参考控制模式结构,其中,Hopfield 神经网络被用于标准模型参考自适应框架中的自适应机制设计,其输出用以调整系统的前馈和反馈控制器的参数设定.在适当的能量函数定义下,其输出保证系统的动态特性按照参考模型所规定的动态进行.在具体应用实例研究中,以上控制和辨识方案被用于交直流传动系统的速度控制及交流传动系统的励磁控制.由于Hopfield 神经网络的自适应特性,使这两种控制器对传动系统某些参数变化具有一定的鲁棒性.对于对控制结果影响较大的参数,运用所提出的基于Hopfield 神经网络的参数辨识方案,使在线辨识的传动系统参数用于控制器的自适应调整,使速度跟踪控制性能有了很大的提高,得到了具有很强鲁棒性和自适应性能的双神经网络传动控制系统.6 结语神经网络的本质特性提供了在具有非线性和参数时变特性的系统控制中应用的广泛前景.它在控制系统中的应用类型主要是面向系统辨识和自适应控制器的设计,且几乎覆盖了系统控制理论研究的绝大多数问题.在这些问题的解决方案中,并不是简单地替代原有控制器,而是使神经网络固有的非线性映射模拟机制、信息的并行分布处理机制、学习和自适应能力等优良特性融入其中,使常规的控制器性能有一个本质上的提高.在研究中,采用了反馈型神经网络(Hopfield 神经网络),该种网络结构下,各神经元输出的稳定值能满足所定义的控制和辨识目标.另外,该种网络对特定控制问题求解的动态过程本身也是可以利用的.参考文献:[1] 焦李成.神经网络系统理论[J].西安:西安电子科技大学出版社,1990.[2] 高为炳,冯纯伯,吴沧浦,等.国家教委科技委员会第二届第二次自动控制学科组专题报告[J].控制理论与应用,1994,11(1):99-128.11(2):216-255.[3] 郑应平.控制科学面临的挑战)))专家意见综述[J].控制理论与应用,1987,4(3):1-8.[4] 黄 琳.控制理论发展过程的启示[J].系统工程理论与实践,1990,9(6):17-23.[5] 黄苏南,邵惠鹤,张仲俊.智能控制的理论和方法[J].控制理论与应用,1994,11(4):386-395.[6] Hunt K J.Neural netw orks for control systems )))A s urvey[J].Automatica,1992,28(6):1083-1112.[7] Ri chard E,Nordgren.An analytical comparison of a neural netw ork and a mode-l based adaptive controller[J].IEEE T rans on NN,1993,4(4):685-694.[8] Raol J R.Neural network architecture for parameter es timation of dynamical sys tems[J].IEE Proc -CTA,1996,143(4):387-393.[9] Delgado A.Dynamic recurrent neural netw ork for s ystem identi fication and control[J].IEE Proc -CT A,1995,142(4):307-313.[10] Ahmed M S.Neura-l net controller for nonlinear plants:Design approach through linearization[J].IEE Proc -CTA,1994,141(5):315-321.[11] Raol J R.Parameter estimation of state space models by recurrent neural netw orks[J ].IEE Proc -CTA,1995,142(2):114-118.[12] Rovithakis George A.Adaptive control of unknow n plants using dynamical neural netw orks [J].IEEE Trans on SM C,1994,24(3):400-411.[13] TAN Yong -hong.Nonlinear one -step -ahead control using neural network:control strategy and s tability design [J ].Automatica,1996,32(12):1701-1706.[14] Yabata T.Neural netw ork controller characteristics w ith regard to adaptive control[J ].IEEE T rans on S M C,1992,22(1):170-177.[15] T anomao J.Process control by on -line trained n eural controller[J ].IEEE T rans on IE,1992,39(6):511-521.[16] WANG Lei,ZHOU Guo -xing,W U Q-i di.Neural n etw ork based parameters .identification and adaptive control of AC drive system [A].HUANG Ling.Proceeding of the IEEE International Conference on Industrial Technology[C].[s.l.]:Elsevier Science LTD,1996.118-121.[17] W ANG Lei,ZHOU Guo -xing,WU Q-i di.Hopfield neural netw ork based i dentification and control of induction motor drive system -part Ñ:I -dentification[A].HUANG Li ng.Proceeding of 14th IFAC W orld Congress.[C].[s.l.]:Elsevier Sci ence LTD,1999.279-283.[18] W ANG Lei,ZHOU Guo -xing,WU Q-i di.Hopfield neural network based identification and control of induction motro drive system -part Ò:Contro[A].HUANG Li ng.Proceeding of 14th IFAC W orld Congress[C].[s.l.]:El sevier Science LTD,1999.285-289.361 第3期汪 镭,等:人工神经网络理论在控制领域中的应用综述。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
clear all;close all;xite=0.50;alfa=0.05;w2=rand(6,1);w2_1=w2;w2_2=w2;w1=rand(2,6);w1_1=w1;w1_2=w1;dw1=0*w1;x=[0,0]';u_1=0;y_1=0;I=[0,0,0,0,0,0]';Iout=[0,0,0,0,0,0]';FI=[0,0,0,0,0,0]';ts=0.001;for k=1:1:1000time(k)=k*ts;u(k)=0.50*sin(3*2*pi*k*ts);a(k)=1.2*(1-0.8*exp(-0.1*k));y(k)=a(k)*y_1/(1+y_1^2)+u_1;for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout;e(k)=y(k)-yn(k);w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j)))^2;endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i);endendw1=w1_1+dw1+alfa*(w1_1-w1_2);x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);endfigure(1);plot(time,y,'r',time,yn,'b');xlabel('times');ylabel('y and yn');grid onts=0.1;for k=1:1:200time(k)=k*ts;u(k)=1;a(k)=1.2*(1-0.8*exp(-0.1*k));y(k)=a(k)*y_1/(1+y_1^2)+u_1;for j=1:1:6I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout;e(k)=y(k)-yn(k);w2=w2_1+(xite*e(k))*Iout+alfa*(w2_1-w2_2); for j=1:1:6FI(j)=exp(-I(j))/(1+exp(-I(j)))^2;endfor i=1:1:2for j=1:1:6dw1(i,j)=e(k)*xite*FI(j)*w2(j)*x(i);endendw1=w1_1+dw1+alfa*(w1_1-w1_2);x(1)=u(k);x(2)=y(k);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;u_1=u(k);y_1=y(k);y0(k)=yn(k);endTs=5;N=200;P=25;m=20;Sv=10;yg_1=0;A=zeros(P,m);a=zeros(N,1);for i=1:Na(i)=y0(i);endfor i=1:Pfor j=1:mif i-j+1>0A(i,j)=a(i-j+1);endendendK=inv(A'*A+eye(m))*A';y=zeros(N,1);u=zeros(N,1);e=zeros(N,1);A0=zeros(P,N-1);for i=1:Pfor j=N-2:-1:1if N-j+1+i-1<=NA0(i,j)=a(N-j+1+i-1)-a(N-j+i-1);elseA0(i,j)=0;endendA0(i,N-1)=a(i+1);endfor k=2:NUk_1=zeros(N-1,1);for i=1:N-1if k-N+i<=0Uk_1(i)=0;elseUk_1(i)=u(k-N+i);endendY0=A0*Uk_1;a(k)=1.2*(1-0.8*exp(-0.1*k));yg(k)=a(k)*y_1/(1+y_1^2)+u_1;u_1=u(k);yg_1=yg(k);e(k)=y(k)-yg(k);Ysk=zeros(P,1);for i=1:PYsk(i)=Sv;endEk=zeros(P,1);for i=1:PEk(i)=0.1*i*e(k);enddertu=K*(Ysk-Y0-Ek);for i=1:mif k+i-1<=Nu(k+i-1)=u(k+i-1-1)+dertu(i);endendtemp=0;for j=1:N-1if k-j<=0temp;elseif k-j-1<=0temp=temp+a(j)*u(k-j);elsetemp=temp+a(j)*(u(k-j)-u(k-j-1));endendendif k-N<=0y(k)=temp+e(N);elsey(k)=temp+a(N)*u(k-N)+e(N);endendt=Ts.*(1:N);figure(3);subplot(2,2,1);plot(t,y,'b',t,yg,'r');legend('预测输出曲线');title('输出曲线');xlabel('Time')ylabel('振幅')grid onsubplot(2,2,2);plot(t,u ,'g');legend('控制作用u')title('控制作用');xlabel('Time')ylabel('振幅')grid onxite=0.50;alfa=0.05;w2=rand(10,1);w2_1=w2;w2_2=w2;w1=rand(6,10);w1_1=w1;w1_2=w1;dw1=0*w1;u_1=0;y_1=0;I=zeros(10,1);Iout=zeros(10,1);FI=zeros(10,1);x=[0,0,0,0,0,0]';for k=3:Nx(1)=yg(k);x(2)=yg(k-1);x(3)=yg(k-2);x(4)=u(k);x(5)=u(k-1);x(6)=u(k-2);for j=1:1:10I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endy(k)=w2'*Iout;e1(k)=y(k)-yg(k);w2=w2_1-(xite*0.1*e1(k))*Iout+alfa*(w2_1-w2_2); for j=1:1:10FI(j)=exp(-I(j))/(1+exp(-I(j)))^2;endfor i=1:1:6for j=1:1:10dw1(i,j)=e1(k)*xite*FI(j)*w2(j)*x(i);endendw1=w1_1+dw1+alfa*(w1_1-w1_2);w1_2=w1_1;w1_1=w1;w2_2=w2_1;w2_1=w2;endt=Ts.*(1:N);figure(2);plot(t,y,'r',t,yg,'b');xlabel('times');ylabel('y and yg');grid onfor k=3:NUk_1=zeros(N-1,1);for i=1:N-1if k-N+i<=0Uk_1(i)=0;elseUk_1(i)=u(k-N+i);endendY0=A0*Uk_1;a(k)=1.2*(1-0.8*exp(-0.1*k));yg(k)=a(k)*y_1/(1+y_1^2)+u_1;u_1=u(k);yg_1=yg(k);Ysk=zeros(P,1);for i=1:PYsk(i)=Sv;endEk=zeros(P,1);for i=1:PEk(i)=0.1*i*e(k);enddertu=K*(Ysk-Y0-Ek);for i=1:mif k+i-1<=Nu(k+i-1)=u(k+i-1-1)+dertu(i);endendtemp=0;for j=1:N-1if k-j<=0temp;elseif k-j-1<=0temp=temp+a(j)*u(k-j);elsetemp=temp+a(j)*(u(k-j)-u(k-j-1));endendendif k-N<=0y(k)=temp;elsey(k)=temp+a(N)*u(k-N);endfor j=1:1:10I(j)=x'*w1(:,j);Iout(j)=1/(1+exp(-I(j)));endyn(k)=w2'*Iout;e(k)=y(k)-yn(k);x(1)=yg(k);x(2)=yg(k-1);x(3)=yg(k-2);x(4)=u(k);x(5)=u(k-1);x(6)=u(k-2);endt=Ts.*(1:N);figure(3);subplot(2,2,3);plot(t,y,'b',t,yg,'r');legend('预测输出曲线');title('输出曲线');xlabel('Time')ylabel('振幅')grid onsubplot(2,2,4);plot(t,u ,'g');legend('控制作用u')title('控制作用'); xlabel('Time') ylabel('振幅') grid on。