第十三章神經(jīng)網(wǎng)絡(luò)建模與控制-wenkub
2022-11-04 13:55:13 本頁面
【正文】 系統(tǒng)的逆運行過程建立一數(shù)學(xué)模型。非線性則未必。 10( 1 ) ( ) ( ( ) ( 1 ) ( ) )niiy k a y k i g u k u k u k m??? ? ? ? ? ??u(k) e(k+1) + + Z1 a0 a1 Z1 + + N + Z1 ∑ a0 a1 Z1 + + g ∑ + + y(k+1) 圖 3 并聯(lián)結(jié)構(gòu) ① 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 n=2,m=0時的串聯(lián)結(jié)構(gòu)如圖 4所示。 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 前兩條為保證系統(tǒng)的穩(wěn)定性和可辨性，第三條為了方便選擇模型，簡化處理過程，第四條限制主要是為了易于達(dá)到以下目的： ?由于輸出 y存在并有界，那么串 — 并聯(lián)模型中的所有信號均有界，辨識模型易于穩(wěn)定。難度是非線性系統(tǒng)的辨識模型和控制模型不易選取，為此，用神經(jīng)網(wǎng)絡(luò)辨識非線性系統(tǒng)必須作一些假設(shè)限制： ?被控對象具有能控性、能觀性。 ? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 基于神經(jīng)網(wǎng)絡(luò)的辨識系統(tǒng)結(jié)構(gòu)圖如下圖所示。辨識的方法大體上分兩種： ①基于算法的辨識方法 要求建立一個模型，該模型依賴于某個參數(shù) ，把辨識轉(zhuǎn)化成為對模型參數(shù)的估計。 ②不需要對象的精確數(shù)學(xué)模型便能逼近滿意控制。第十三章 神經(jīng)網(wǎng)絡(luò)建模與控制 主 講 教 師 ： 付冬梅 北京科技大學(xué)信息工程學(xué)院自動化系 主要內(nèi)容 智能控制的產(chǎn)生和基本特征 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制示例 智能控制的產(chǎn)生和基本特征 尋找不需要建立（精確）數(shù)學(xué)模型的控制方案，研究能夠按照操作人員的智力、經(jīng)驗及意識發(fā)布指令的控制器。 智能控制階段的研究對象是控制器，而傳統(tǒng)控制理論的研究對象是被控對象，兩者都是閉環(huán)負(fù)反饋形式。估計方法有：最小二乘法（快，線性），梯度下降法，極大似然法。辨識不在意神經(jīng)網(wǎng)絡(luò)以什么形式去逼近實際系統(tǒng)，只關(guān)心神經(jīng)網(wǎng)絡(luò)的輸出與被辨識系統(tǒng)的輸出相差多少， 可否為零。 ?對所有可能的輸入控制量 u，被控對象的輸出 y存在并有界。 ?串 — 并聯(lián)模型間無反饋，使從后向前的靜態(tài)反向傳輸算法成為可能。 10( 1 ) ( ) ( ( ) ( 1 ) ( ) )niiy k a y k i g u k u k u k m??? ? ? ? ? ??u(k) e(k+1) + + Z1 a0 a1 Z1 + + N + Z1 ∑ a0 a1 Z1 + + g ∑ + + y(k+1) 圖 4 串 并聯(lián)結(jié)構(gòu) 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 ② 結(jié)構(gòu)同圖 圖 4，將 g換為 f. ( 1 ) ( ( ) ( ) ) ( ( ) ( ) )y k f g k g k n g u k u k m? ? ? ? ?1( 1 ) ( ) ( ( ) ( 1 ) ( ) )m iiy k b u k i f y k y k y k n?? ? ? ? ? ??② ③ ④ ( 1 ) ( ( ) ( ) , ( ) ( ) )y k f y k g k n u k u k m? ? ? ?后兩種用神經(jīng)網(wǎng)絡(luò)實現(xiàn)起來較難。但有如下定理存在： 定理：如果對于 u(k), f [y(k) …y(k n), u(k) …u(k m)] 嚴(yán)格單調(diào)，那么系統(tǒng)在點 [y(k) …y(k n), u(k) …u(k m)] T 處可逆。逆模型辨識是對非線性系統(tǒng)的逆運行進行辨識識別，看其與哪種已知模型更接近。這樣有利于獲得更佳的逆動力學(xué)特性。 未知被控對象 ANN + e u y 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 b)正模型 — 逆系統(tǒng)建模 其中的正模型是指 x→y 之間的映射（整個系統(tǒng)是單位反饋時才可用）。 正模型 ANN + e u y 被控對象 x 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 c) 被控對象 正模型 — 逆模型建模 正模型 ANN + e u y 被控對象 y0 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識 例 1 線性離散系統(tǒng)辨識示例 仿真系統(tǒng)為二階 SISO系統(tǒng)，表示為 y(k)(k1)+(k2)=u(k1)+(k2)。 M序列的圖形可見仿真結(jié)果。仍用自適應(yīng)線性神經(jīng)元（事先要已知被辨識系統(tǒng)的數(shù)學(xué)模型的結(jié)構(gòu)，而且線性自適應(yīng)神經(jīng)元主要適應(yīng)于線性系統(tǒng)。 )()]())(()()[()()1( 39。 )1()1( )1(2)( 32 kukykyky ??? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 4 基于 CMAC的非線性動態(tài)系統(tǒng)辨識 仿真系統(tǒng)模型為： )40/2c o s ()60/2c o s ()( kkku ?? ??系統(tǒng)輸入信號為： 辨識器由 CMAC與一個 Z1組成。(,),1([)(111ikubnkykygkyMmkukuikyakyMmkunkykygkyMmkukunkykygkyMmkukunkykygkyMmiinii??????????????????????????????????????仿射型離散狀態(tài)空間表達(dá)式： )](),([)()]([)([)1(kukxgkykukxkx???? ??一般型離散狀態(tài)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1