神经网络控制PPT课件
合集下载
人工智能控制技术课件：神经网络控制
进行的，这种排列往往反映所感受的外部刺激的某些物理特征。
例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此，柯赫仑（Kohonen）认为，神经网络在接受外
界输入时，将会分成不同的区域，不同的区域对不同的模式具有
不同的响应特征，即不同的神经元以最佳方式响应不同性质的信
号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之
,
,
⋯
,
)
若 输 入 向 量 X= ( 1
， 权 值 向 量
2
W=(1 , 2 , ⋯ , ) ，定义网络神经元期望输出 与
实际输出 的偏差E为：
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数，当实际输出符合期
望时，不对权值进行调整，否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟，从数学角度抽象模拟得到单神经
元模型，其中 是神经元的输入信号，
表示一个神经元同时接收多个外部刺激；
是每个输入所对应的权重，它对应
于每个输入特征，表示其重要程度；
是神经元的内部状态； 是外部输入信
号； 是一个阈值（Threshold）或称为
第三代神经网络：
2006年，辛顿（Geofrey Hinton）提出了一种深层网络模型——深度
置信网络（Deep Belief Networks，DBN），令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域，采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式，通过神经元及其相互连接的权值，逼近系统
例如，在听觉系统中，神经细胞和纤维是按照其最敏感的频率分
布而排列的。为此，柯赫仑（Kohonen）认为，神经网络在接受外
界输入时，将会分成不同的区域，不同的区域对不同的模式具有
不同的响应特征，即不同的神经元以最佳方式响应不同性质的信
号激励，从而形成一种拓扑意义上的有序图。这种有序图也称之
,
,
⋯
,
)
若 输 入 向 量 X= ( 1
， 权 值 向 量
2
W=(1 , 2 , ⋯ , ) ，定义网络神经元期望输出 与
实际输出 的偏差E为：
E= −
PERCEPTRON学习规则
感知器采用符号函数作为转移函数，当实际输出符合期
望时，不对权值进行调整，否则按照下式对其权值进行
单神经元网络
对生物神经元的结构和功能进行抽象和
模拟，从数学角度抽象模拟得到单神经
元模型，其中 是神经元的输入信号，
表示一个神经元同时接收多个外部刺激；
是每个输入所对应的权重，它对应
于每个输入特征，表示其重要程度；
是神经元的内部状态； 是外部输入信
号； 是一个阈值（Threshold）或称为
第三代神经网络：
2006年，辛顿（Geofrey Hinton）提出了一种深层网络模型——深度
置信网络（Deep Belief Networks，DBN），令神经网络进入了深度
学习大发展的时期。深度学习是机器学习研究中的新领域，采用无
监督训练方法达到模仿人脑的机制来处理文本、图像等数据的目的。
控制方式，通过神经元及其相互连接的权值，逼近系统
神经网络控制基础人工神经网络课件ppt课件
其他工业领域应用案例
电力系统
神经网络控制可以应用于电力系统的负荷预测、故障诊断和稳定性 分析等方面，提高电力系统的运行效率和安全性。
化工过程控制
神经网络控制可以对化工过程中的各种参数进行实时监测和调整， 确保生产过程的稳定性和产品质量。
航空航天
神经网络控制在航空航天领域的应用包括飞行器的姿态控制、导航控 制和故障诊断等，提高飞行器的安全性和性能。
05 神经网络控制性能评估与优化
性能评估指标及方法
均方误差（MSE）
衡量神经网络输出与真实值之间的误差，值越小表示性能越好。
准确率（Accuracy）
分类问题中正确分类的样本占总样本的比例，值越高表示性能越好。
交叉验证（Cross-Validation）
将数据集分成多份，轮流作为测试集和训练集来评估模型性能。
强化学习在神经网络控制中应用
强化学习原理
通过与环境进行交互并根据反馈信号进行学习的方法，使神经网络能够自主学习 到最优控制策略。
强化学习算法
包括Q-learning、策略梯度等算法，用于求解神经网络控制中的优化问题，实现 自适应控制。
04 神经网络控制系统设计与实现
系统需求分析
功能性需求
明确系统需要实现的功能，如 数据输入、处理、输出等。
非监督学习
无需已知输出数据，通过挖掘输入数 据中的内在结构和特征进行学习，常 用于聚类、降维等任务。
深度学习在神经网络控制中应用
深度学习模型
通过构建深层神经网络模型，实现对复杂非线性系统的建模与控制，提高控制 精度和性能。
深度学习优化算法
采用梯度下降等优化算法对深度学习模型进行训练，提高训练效率和模型泛化 能力。
RBF网络应用—逼近非线性函数 神经网络控制课件(第三版)
例 2-6-5 M 高斯RBF网络应用 逼近非线性函数
1
RBF网络应用—逼近非线性函数
Matlab程序
m265a.m
4
RBF网络应用—逼近非线性函数
m265a.m执行结果
构造3个高斯RBF
5
RBF网络应用—逼近非线性函数
m265a.m执行结果
构造非线性函数d=f(u)
6
RBF网络应用—逼近非线性函数
12
RBF网络应用—逼近非线性函数
m265b.m执行结果
网络输出
13
RBF网络应用—逼近非线性函数
m265b.m执行结果
非线性函数d(o) 、网络输出y(*)
14
RBF网络应用—逼近非线性函数
m265b.m执行结果
与m265a.m 执行 结果 比较： 相同
非线性函数d(o) 、网络输出y(*)
m265a.m执行结果
设计的网络输出 y逼近d=f(u)
7
RBF网络应用—逼近非线性函数
m265a.m执行结果
Command Window:
w1 = 0.7000
-1.7000
2.1000
-0.1000
2.7000
-1.4000
3.0000
b1 = 26
1. 设计的RBFNN结构。 2. RBFNN的所有参数。 由m265b.m程序，仿真N1,7,1 逼近非线性函数d=f(u)的过程。
10
RBF网络应用—逼近非线性函数
m265b.m执行结果
7个隐层节点的输出
11
RBF网络应用—逼近非线性函数
m265b.m执行结果
7个隐层节点输出的加权、网络输出
15
RBF网络应用—逼近非线性函数
1
RBF网络应用—逼近非线性函数
Matlab程序
m265a.m
4
RBF网络应用—逼近非线性函数
m265a.m执行结果
构造3个高斯RBF
5
RBF网络应用—逼近非线性函数
m265a.m执行结果
构造非线性函数d=f(u)
6
RBF网络应用—逼近非线性函数
12
RBF网络应用—逼近非线性函数
m265b.m执行结果
网络输出
13
RBF网络应用—逼近非线性函数
m265b.m执行结果
非线性函数d(o) 、网络输出y(*)
14
RBF网络应用—逼近非线性函数
m265b.m执行结果
与m265a.m 执行 结果 比较： 相同
非线性函数d(o) 、网络输出y(*)
m265a.m执行结果
设计的网络输出 y逼近d=f(u)
7
RBF网络应用—逼近非线性函数
m265a.m执行结果
Command Window:
w1 = 0.7000
-1.7000
2.1000
-0.1000
2.7000
-1.4000
3.0000
b1 = 26
1. 设计的RBFNN结构。 2. RBFNN的所有参数。 由m265b.m程序，仿真N1,7,1 逼近非线性函数d=f(u)的过程。
10
RBF网络应用—逼近非线性函数
m265b.m执行结果
7个隐层节点的输出
11
RBF网络应用—逼近非线性函数
m265b.m执行结果
7个隐层节点输出的加权、网络输出
15
RBF网络应用—逼近非线性函数
神经网络控制大全69页PPT
13、遵守纪律的风气的培养，只有领 导者本 身在这 方面以 身作则 才能收 到成效 。—— 马卡连 柯 14、劳动者的组织性、纪律性、坚毅 精神以 及同全 世界劳 动者的 团结一 致，是 取得最 后胜利 的保证 。—— 列宁 摘自名言网
15、会是不守纪律的。——雨果
31、只有永远躺在泥坑里的人，才不会再掉进坑里。——黑格尔 32、希望的灯一旦熄灭，生活刹那间变成了一片黑暗。——普列姆昌德 33、希望是人生的乳母。——科策布 34、形成天才的决定因素应该是勤奋。——郭沫若 35、学到很多东西的诀窍，就是一下子不要学很多。——洛克
神经网络控制大全
11、战争满足了，或曾经满足过人的 好斗的 本能， 但它同 时还满 足了人 对掠夺 ，破坏 以及残 酷的纪 律和专 制力的 欲望。 ——查·埃利奥 特 12、不应把纪律仅仅看成教育的手段 。纪律 是教育 过程的 结果， 首先是 学生集 体表现 在一切 生活领 域—— 生产、 日常生 活、学 校、文 化等领 域中努 力的结 果。— —马卡 连柯(名 言网)
神经网络控制
M—P模型的提出兴起了对神经网络的研究。
(2) 1949年心理学家D．O．Hebb提出神经元之间突触联系强度可变 的假设。他认为学习过程是在突触上发生的，突触的联系强度随其前 后神经元的活动而变化。根据这一假设提出的学习率为神经网络的学 习算法奠定了基础。
(3) 1958年，Rosenblatt提出感知机，第一次把神经网络的研究付 诸工程实践。这是一种学习和自组织的心理学模型，它基本上符合 神经生理学的知识，模型的学习环境是有噪声的，网络构造中存在 随机连接，这符合动物学习的自然环境。这种类型的机器显然有可 能应用于模式识别、联想记忆等方面。
3．兴盛阶段
再次兴起的原因：
（1）计算机不具备学习能力。在处理能明确定义的问题或运用能明 确定义的概念作为知识时，计算机比较容易对它们进行处理，但是对 一些知识背景不清楚、推理规则不明确、环境信息十分复杂的知识处 理或是算法难以提取的信息处理任务往往感到很困难。 （2）日本第五代机计划远未达到预想水平，也倾向使人觉得有必要 进一步弄清人们习以为常的认知功能是如何进行的．这些认知功能包 括视、听觉感知，学习记忆，运动控制等．从而使人们认识到不能拘 泥一格而必须开拓新的思路，探索新的人类智能实现途径。这时原来 已出现过的，与人脑的生理组织更为接近的神经网络模型就自然成为 理想的候选模型。
兴盛阶段的标志：
（1）近些年来．许多科学家提出了许多种具备不同信息处理能力的神 经网络模型，至今为止。约已开发出了三十多种。神经网络也 被应用到了许多信息处理领域，如模式别、自动控制、信号处理、辅助 决策、人工智能等等。 （2）神经计算机的研究也为神经网络的理论研究和应用研究促供了 强有力的支持，各大学、科研团体和公司开发了许多神经网络模拟软 件包、各种型号的电子神经计算机以及许多神经网络芯片。 （3）1987年6月在美国加州举行了第一届神经网络国际会议，并成立 了国际神经网络学会，以后每年召开两次国际联合神经网络大会 (IJCNN)。 1990年12月在北京召开了我国首届神经网络学术大会，在南 京召开的1991中国神经网络学术大会上成上了中国神经网络学会。当前 发行了两种专门介绍神经网络研究的刊物，《IEEE Transaction on Neural Network》和《Neural Network》
神经网络内模控制 PPT课件
7
内部模型辨识目标函数
8
内模控制过程及结果2
（2） 系统输入：
r (k ) 是周期 k 100 的方波
9
控制系统输入、输出：r、y
112
内部模型辨识目标函数
13
结束
14
例3 神经非线性 内模控制
1
一阶 SISO 可逆、具有一阶时延的非线性系统，仿真模型：
y (k 1) 0.8 sin( y (k )) 1.2u (k )
（1） 系统输入：
r (k ) 1(k )
输出端干扰： ( k 50) 0.1( k ) （2） 系统统输入：
r (k ) 是周期 k 100 的方波
P( z )
y ˆ y
内部模型 e1
ˆ ( z) P
0.5
内模控制结构
3
内模控制过程及结果1
（1） 系统输入： 输出端干扰：
r (k ) 1(k )
(k 50) 0.1(k )
4
控制系统输入、输出、扰动：r、y、v
5
内模控制器输出：u
6
内模控制器、内部模型调整
2
内模控制设计
• 神经模型辨识器结构 1 BP网络N1,3,1 +两个 z • 内模控制器设计 取具有一阶时延对象逆模型 结构与例2逆模型辨识器同 • 滤波器设计 取滤波器：
F ( z) 1 , 0 1 1 z 1
r e
_
滤波器
F ( z)
g
内模 控制器
D( z )
u
对象
智能控制系统 -神经网络-PPT课件
1 1T 2 Jn () e ( n ) e( n )( e n ) k 2k 2
1 1T 2 J E e ( n ) E e ( n )( e n ) k 2 2 k
13
误差纠正学习
w J 用梯度下降法求解 k 对于感知器和线性网络：
1
感知器网络
感知器是1957年美国学者Rosenblatt提出的 一种用于模式分类的神经网络模型。 感知器是由阈值元件组成且具有单层计算单元 的神经网络，具有学习功能。 感知器是最简单的前馈网络，它主要用于模式 分类，也可用在基于模式分类的学习控制和多 模态控制中，其基本思想是将一些类似于生物 神经元的处理元件构成一个单层的计算网络
w ( p w ) 若 神 经 元 k 获 胜 k j j k j w 0 若 神 经 元 k 失 败 k j
wkj
pj
k
5.2
前向网络及其算法
前馈神经网络(feed forward NN)：各神经元接受 前级输入，并输出到下一级，无反馈，可用一 有向无环图表示。 图中结点为神经元（PE）：多输入单输出，输 出馈送多个其他结点。 前馈网络通常分为不同的层(layer)，第i层的输入 只与第i-1层的输出联结。 可见层：输入层(input layer)和输出层(output layer) 隐层(hidden layer) ：中间层
5.1
神经网络的基本原理和结构
1
神经细胞的结构与功能
神经元是由细胞体、树突和轴突组成
图 生物神经元模型
神经网络的基本模型
2
人工神经元模型
人工神经网络是对生物神经元的一种模拟和简化，是 神经网络的基本处理单元。
神经元输出特性函数常选用的类型有：
1 1T 2 J E e ( n ) E e ( n )( e n ) k 2 2 k
13
误差纠正学习
w J 用梯度下降法求解 k 对于感知器和线性网络：
1
感知器网络
感知器是1957年美国学者Rosenblatt提出的 一种用于模式分类的神经网络模型。 感知器是由阈值元件组成且具有单层计算单元 的神经网络，具有学习功能。 感知器是最简单的前馈网络，它主要用于模式 分类，也可用在基于模式分类的学习控制和多 模态控制中，其基本思想是将一些类似于生物 神经元的处理元件构成一个单层的计算网络
w ( p w ) 若 神 经 元 k 获 胜 k j j k j w 0 若 神 经 元 k 失 败 k j
wkj
pj
k
5.2
前向网络及其算法
前馈神经网络(feed forward NN)：各神经元接受 前级输入，并输出到下一级，无反馈，可用一 有向无环图表示。 图中结点为神经元（PE）：多输入单输出，输 出馈送多个其他结点。 前馈网络通常分为不同的层(layer)，第i层的输入 只与第i-1层的输出联结。 可见层：输入层(input layer)和输出层(output layer) 隐层(hidden layer) ：中间层
5.1
神经网络的基本原理和结构
1
神经细胞的结构与功能
神经元是由细胞体、树突和轴突组成
图 生物神经元模型
神经网络的基本模型
2
人工神经元模型
人工神经网络是对生物神经元的一种模拟和简化，是 神经网络的基本处理单元。
神经元输出特性函数常选用的类型有：
智能控制第7章 模糊神经网络控制与自适应神经网络PPT课件
fj(4)=max(u1(4),u2(4),...,up(4)), aj(4)=fj(4) 且第三、四层节点之间的连接系数wji(4)=1
第五层
❖有两种模式
❖从上到下的信号传输方式 ，同第一层。
❖从下到上是精确化计算，如果采用重心法， 有
fj(5 ) w ( j5 )iu i(5 ) (m ( j5 )i (j5 )i)u i(5 ), i
E fj(4)
E fj(5)
fj(5) fj(4)
E fj(5)
fj(5) u(j5)
u(j5) fj(4)
E fj(5)
m(5) ji
u (5) (5)
ji i
u(j5)
i
u (5) (5) (5) jj jj
(j5i)ui(5))(
m u ) (5) (5) (5) (5)
图7-2 :规则节点合并示例
2. 有导师学习阶段
❖可采用BP学习
E1(y(t)ˆy(t))2min 2
w(t1)w(t)(E w)
E w ( n E )e ( n w t)e tE f w f E f fa w a
第五层
m E (j5)i a E (j5) a fj((j5 5))
wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感34如果被控系统yk1fykyk1uk1gukwwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感351tdltdltdltdl神经网络n神经网络n331基于神经网络的模型参考自适应控制结构图参考模型wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感3671wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感37则控制系统的误差方程为其中wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感383233wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感393233wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感40对于yk1fykyk1uk1guk可得如果存在可用神经网络逼近之
第五层
❖有两种模式
❖从上到下的信号传输方式 ，同第一层。
❖从下到上是精确化计算，如果采用重心法， 有
fj(5 ) w ( j5 )iu i(5 ) (m ( j5 )i (j5 )i)u i(5 ), i
E fj(4)
E fj(5)
fj(5) fj(4)
E fj(5)
fj(5) u(j5)
u(j5) fj(4)
E fj(5)
m(5) ji
u (5) (5)
ji i
u(j5)
i
u (5) (5) (5) jj jj
(j5i)ui(5))(
m u ) (5) (5) (5) (5)
图7-2 :规则节点合并示例
2. 有导师学习阶段
❖可采用BP学习
E1(y(t)ˆy(t))2min 2
w(t1)w(t)(E w)
E w ( n E )e ( n w t)e tE f w f E f fa w a
第五层
m E (j5)i a E (j5) a fj((j5 5))
wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感34如果被控系统yk1fykyk1uk1gukwwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感351tdltdltdltdl神经网络n神经网络n331基于神经网络的模型参考自适应控制结构图参考模型wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感3671wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感37则控制系统的误差方程为其中wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感383233wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感393233wwwthemegallerycom用一个半导体功率器件作为开关该器件不断地重复开启和关断使得输入的直流电压在通过这个开关器件后变成了方波该方波经过电感40对于yk1fykyk1uk1guk可得如果存在可用神经网络逼近之
- 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)。
模糊控制是基于专家经验和领域知识的，根据模糊推理 实施控制规则。
这两种方式都具有显式表达知识的特点。
出发点：利用神经网络很强的逼近非线性函数的能力
应用对象：模型已知、未知的；线性的、非线性的
.
5
神经网络控制的基本思想（续）
版权所有 复制必究 2009
yd﹢
f NN控制器 u
﹣
g
y
被控对象
设被控对象输入输出关系为： yg(u)
.
7
版权所有 复制必究 2009
第6.2节 神经网络系统辨识
6.2.1 系统辨识基本原理 6.2.2 非线性系统辨识
.
8
版权所有 复制必究 2009
6.2.1 系统辨识基本原理
辨识
在输入和输出数据的基础上，从一组给定的模型中，确定 一个与所测系统等价的模型。
基本要素：
输入/输出数据—能够量测到的系统的输入/输出
辨识的收敛速度不依赖于待辨识系统的维数，只与神经 网络结构和所采用的学习算法有关。
神经网络的权值对应于模型参数，可通过学习修改。
神经网络实际上是待辨识系统的物理实现，可用于在线 控制。
.
13
前向建模法
版权所有 复制必究 2009
利用神经网络来逼近非线性系统的前向动力学模型。
TDL
u
TDL
TDL
非线性系统 神经网络N 学习规则
在控制系统中采用神经网络这一工具对难以精确描述的 复杂非线性对象进行建模、控制、优化计算、推理或者 故障诊断，以及同时具有上述某些功能的适当组合，将 这样的系统统称为神经网络控制系统。
基于精确模型的各种控制结构中充当对象——辨识。 在反馈控制系统中直接充当控制器——控制器。 在传统控制器中优化计算作用——优化PID参数。 与其它智能算法的结合。
d
﹢
y
﹢
yN ﹢
﹣
.
14
前向建模法（续）
版权所有 复制必究 2009
把系统动力学特征直接引入到网络本身中来，如回归神经 网络。
在网络输入信号中考虑系统的动态因素，即将输入输出的 滞后信号加到网络输入中来，从而保证网络的输出含有先 前的输入、输出信息，模拟离散的动态系统。如可用多层 前向神经网络实现。
6.1.1 神经网络控制的基本思想
神经网络的特点及应用领域
特点：
大规模并行性；冗余性；
容错性；本质的非线性；
自组织、自学习、自适应性。
应用领域：
最优化；模式识别；
信号处理；图象处理；
控制
.
3
神经网络用于控制的优越性
版权所有 复制必究 2009
神经网络可以处理难以用模型或规则描述的过程或系统。
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， 适于处理实时性要求高的控制系统。
模型类—所考虑的系统的结构
等价准则—辨识的优化目标
推广：
在输入和输出数据的基础上，从一组模型中选择一个模
型，按照某种准则，使之能最好地拟合所关心的实际系
统的动态或静态特性。 .
9
神经网络辨识
版权所有 复制必究 2009d (k )u(k)被控对象
﹢ yp (k) ﹢ ﹢ ep(k)
辨识模型
﹣
yN (k)
选择的方法： 无理论指导，可通过实验或仿真 可通过遗传算法来学习神经网络的结构以实现特定的要求。
.
11
神经网络辨识的三要素（续）
版权所有 复制必究 2009
输入信号的选择
从时域上看，要求输入信号必须充分激励系统的所有 模态。但系统有多少模态弄不清楚。
从频域上看，要求输入信号的频谱必须足以覆盖系统 的频谱。
y N ( k 1 ) f ˆ y ( k ) y ( k 1 , ) , y ( , k n 1 ) u ( k ) u , ( k 1 , ) , u ( k , m 1 )
y(k 1)
w ji
....
局限性：
通常要建模系统的结 构未知。
y(k n)
u(k) u(k m 1)
.
15
前向建模法（续）
版权所有 复制必究 2009
考虑一类非线性离散动态系统：
y ( k 1 ) f y ( k ) y ( k 1 ) , , y ( k , n 1 ) u ( k ) u ( k , 1 ) , , u ( k , m 1 )
选择神经网络的结构与系统的结构一致。
本质：从神经网络模型中选择一个模型来逼近实际系统模型。
方法：利用输入输出数据来训练神经网络，使网络的输出与待
辨识系统的输出接近。
.
10
神经网络辨识的三要素
版权所有 复制必究 2009
模型的选择 模型仅是在某种意义下对实际系统的一种近似描述，模型的 确定要兼顾其精确性和复杂性。 模型越精确，模型就会变得越复杂； 适当降低模型的精度要求（只考虑主要因素），模型就简单。
神经网络输入输出关系为： u f (yd, y)
系统输入输出关系为： ygf(yd)
若有： f()g1() 则： y yd
注：由于神经网络控制对象一般比较复杂且高度非线性，g(.)
难以建立，所以利用e=yd-y来调整神经网络权值。
.
6
版权所有 复制必究 2009
6.1.2 神经网络在控制中的作用
.
....
....
vj ym (k)
16
逆模型法
版权所有 复制必究 2009
神经网络是本质的非线性系统，可以实现任何非线性映射。
神经网络具有很强的信息综合能力。
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补性与冗余性问题；
能够恰当地协调好互相矛盾的输入信息。
神经网络的硬件实现愈趋方便。
.
4
神经网络控制的基本思想
版权所有 复制必究 2009
传统的控制方法是都是基于模型的，需要被控对象的数 学模型。
通常选用白噪声或伪随机信号作为系统的输入信号。 误差准则的选择
是用来衡量模型接近实际系统的程度的标准，通常表 示为一个误差的泛函。
E (w ) f(e (k )) e (k )
k
k .
2
12
神经网络辨识的特点
版权所有 复制必究 2009
不要求建立实际系统的辨识格式。
可以对本质非线性系统进行辨识，而且辨识是通过网络 外部的输入/输出来拟合系统的输入/输出，网络内部隐 含着系统的特性。
版权所有 复制必究 2009
第6章 神经网络控制
1
基本原理
2 神经网络系统辨识
3 直接逆模型控制
4 模型参考自适应控制
5
内模控制
.
1
版权所有 复制必究 2009
第6.1节 神经网络控制的基本原理
6.1.1 神经网络控制的基本思想 6.1.2 神经网络在控制中的主要作用
.
2
版权所有 复制必究 2009
这两种方式都具有显式表达知识的特点。
出发点：利用神经网络很强的逼近非线性函数的能力
应用对象：模型已知、未知的；线性的、非线性的
.
5
神经网络控制的基本思想（续）
版权所有 复制必究 2009
yd﹢
f NN控制器 u
﹣
g
y
被控对象
设被控对象输入输出关系为： yg(u)
.
7
版权所有 复制必究 2009
第6.2节 神经网络系统辨识
6.2.1 系统辨识基本原理 6.2.2 非线性系统辨识
.
8
版权所有 复制必究 2009
6.2.1 系统辨识基本原理
辨识
在输入和输出数据的基础上，从一组给定的模型中，确定 一个与所测系统等价的模型。
基本要素：
输入/输出数据—能够量测到的系统的输入/输出
辨识的收敛速度不依赖于待辨识系统的维数，只与神经 网络结构和所采用的学习算法有关。
神经网络的权值对应于模型参数，可通过学习修改。
神经网络实际上是待辨识系统的物理实现，可用于在线 控制。
.
13
前向建模法
版权所有 复制必究 2009
利用神经网络来逼近非线性系统的前向动力学模型。
TDL
u
TDL
TDL
非线性系统 神经网络N 学习规则
在控制系统中采用神经网络这一工具对难以精确描述的 复杂非线性对象进行建模、控制、优化计算、推理或者 故障诊断，以及同时具有上述某些功能的适当组合，将 这样的系统统称为神经网络控制系统。
基于精确模型的各种控制结构中充当对象——辨识。 在反馈控制系统中直接充当控制器——控制器。 在传统控制器中优化计算作用——优化PID参数。 与其它智能算法的结合。
d
﹢
y
﹢
yN ﹢
﹣
.
14
前向建模法（续）
版权所有 复制必究 2009
把系统动力学特征直接引入到网络本身中来，如回归神经 网络。
在网络输入信号中考虑系统的动态因素，即将输入输出的 滞后信号加到网络输入中来，从而保证网络的输出含有先 前的输入、输出信息，模拟离散的动态系统。如可用多层 前向神经网络实现。
6.1.1 神经网络控制的基本思想
神经网络的特点及应用领域
特点：
大规模并行性；冗余性；
容错性；本质的非线性；
自组织、自学习、自适应性。
应用领域：
最优化；模式识别；
信号处理；图象处理；
控制
.
3
神经网络用于控制的优越性
版权所有 复制必究 2009
神经网络可以处理难以用模型或规则描述的过程或系统。
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， 适于处理实时性要求高的控制系统。
模型类—所考虑的系统的结构
等价准则—辨识的优化目标
推广：
在输入和输出数据的基础上，从一组模型中选择一个模
型，按照某种准则，使之能最好地拟合所关心的实际系
统的动态或静态特性。 .
9
神经网络辨识
版权所有 复制必究 2009d (k )u(k)被控对象
﹢ yp (k) ﹢ ﹢ ep(k)
辨识模型
﹣
yN (k)
选择的方法： 无理论指导，可通过实验或仿真 可通过遗传算法来学习神经网络的结构以实现特定的要求。
.
11
神经网络辨识的三要素（续）
版权所有 复制必究 2009
输入信号的选择
从时域上看，要求输入信号必须充分激励系统的所有 模态。但系统有多少模态弄不清楚。
从频域上看，要求输入信号的频谱必须足以覆盖系统 的频谱。
y N ( k 1 ) f ˆ y ( k ) y ( k 1 , ) , y ( , k n 1 ) u ( k ) u , ( k 1 , ) , u ( k , m 1 )
y(k 1)
w ji
....
局限性：
通常要建模系统的结 构未知。
y(k n)
u(k) u(k m 1)
.
15
前向建模法（续）
版权所有 复制必究 2009
考虑一类非线性离散动态系统：
y ( k 1 ) f y ( k ) y ( k 1 ) , , y ( k , n 1 ) u ( k ) u ( k , 1 ) , , u ( k , m 1 )
选择神经网络的结构与系统的结构一致。
本质：从神经网络模型中选择一个模型来逼近实际系统模型。
方法：利用输入输出数据来训练神经网络，使网络的输出与待
辨识系统的输出接近。
.
10
神经网络辨识的三要素
版权所有 复制必究 2009
模型的选择 模型仅是在某种意义下对实际系统的一种近似描述，模型的 确定要兼顾其精确性和复杂性。 模型越精确，模型就会变得越复杂； 适当降低模型的精度要求（只考虑主要因素），模型就简单。
神经网络输入输出关系为： u f (yd, y)
系统输入输出关系为： ygf(yd)
若有： f()g1() 则： y yd
注：由于神经网络控制对象一般比较复杂且高度非线性，g(.)
难以建立，所以利用e=yd-y来调整神经网络权值。
.
6
版权所有 复制必究 2009
6.1.2 神经网络在控制中的作用
.
....
....
vj ym (k)
16
逆模型法
版权所有 复制必究 2009
神经网络是本质的非线性系统，可以实现任何非线性映射。
神经网络具有很强的信息综合能力。
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补性与冗余性问题；
能够恰当地协调好互相矛盾的输入信息。
神经网络的硬件实现愈趋方便。
.
4
神经网络控制的基本思想
版权所有 复制必究 2009
传统的控制方法是都是基于模型的，需要被控对象的数 学模型。
通常选用白噪声或伪随机信号作为系统的输入信号。 误差准则的选择
是用来衡量模型接近实际系统的程度的标准，通常表 示为一个误差的泛函。
E (w ) f(e (k )) e (k )
k
k .
2
12
神经网络辨识的特点
版权所有 复制必究 2009
不要求建立实际系统的辨识格式。
可以对本质非线性系统进行辨识，而且辨识是通过网络 外部的输入/输出来拟合系统的输入/输出，网络内部隐 含着系统的特性。
版权所有 复制必究 2009
第6章 神经网络控制
1
基本原理
2 神经网络系统辨识
3 直接逆模型控制
4 模型参考自适应控制
5
内模控制
.
1
版权所有 复制必究 2009
第6.1节 神经网络控制的基本原理
6.1.1 神经网络控制的基本思想 6.1.2 神经网络在控制中的主要作用
.
2
版权所有 复制必究 2009