第十三章神經(jīng)網(wǎng)絡(luò)建模與控制-全文預(yù)覽
【正文】 ? ? ? ???輸 入 信 號擾 動 為控制系統(tǒng)結(jié)構(gòu)圖為： 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制示例 從仿真結(jié)果可以看到 PIDNN作為控制器與被控對象一起，作為廣義網(wǎng)絡(luò)，不需要進(jìn)行系統(tǒng)辨識，它使控制系統(tǒng)即能跟蹤輸入 r(k),又能有效的抑制擾動 v(k). 對于單位反饋控制系統(tǒng)，取準(zhǔn)則函數(shù)為： )3()1()()()()()()()2()2()1()1()(s g n)()()1()()()()1()(21)]()([21)(02122222??????????????????????kekekqiekqkekqkukukykykekkqkykwkwkekykrkEkiiii???其中 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制示例 ?)()1()()1()()()1()()1()()()1()()1()()()()()()1()(1()(s g n))(()()()()()1(113112111212111kykwkrkwkxkykwkrkwkxkykwkrkwkxkykrkrkrkxkxkqkqwkkkrkkwkwyDrDyIrIyprpiiiiiijiijij???????????????????????）其中 ???? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制示例 。(,),1([21 ??????????? kIkIkImnNmkukunkykyINmn???隱層為第 i個節(jié)點的輸出為： )()1(,1)(42,1)()(3)]([)(10kIkuwkINjkIwkxkxfkOnioojNjijiii??????????????對應(yīng)的閾值是式中）（）（? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制 2020039。 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制 在線辨識器 ANNI 設(shè)計與實現(xiàn) 設(shè)被動對象為： )1()1()](,),1()。 H為非線性節(jié)點 )()]([)([)1( kukykygky ????)()]()。1(,),([)1(kumkukunkykymkukunkykygky????????????????式中， u,y分別為對象的輸入、輸出。另外，這種控制由于是開環(huán)控制，因此在實際工業(yè)生產(chǎn)應(yīng)用的很少 (2)神經(jīng)網(wǎng)絡(luò)自校正控制結(jié)構(gòu) 由兩個回路組成：自校正控制器與被控對象構(gòu)成的反饋回路，神經(jīng)網(wǎng)絡(luò)辨識器與控制器設(shè)計，以得到控制器的參數(shù)。 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)辨識示例 例 6 用線性自適應(yīng)神經(jīng)元進(jìn)行線性系統(tǒng)逆模型辨識 仿真系統(tǒng)模型為： 由于 P(z)的零點 p=,極點為 ，均在 Z平面單位圓內(nèi)，因此 P(z)是穩(wěn)定的且具有一階時延的系統(tǒng) （ 2）系統(tǒng)逆模型，由于其極點在 Z平面單位圓內(nèi)，因此其是穩(wěn)定的： （ 1）求系統(tǒng)的 Z傳遞函數(shù) )2()1()2()1()( ???????? kukukykyky11111211])(1][)(1[)( ?????????????????? zzjzjzzzzzzP1210111)(1)()(???????????zzzzPzPzP 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 6 用線性自適應(yīng)神經(jīng)元進(jìn)行線性系統(tǒng)逆模型辨識 )2()2()1()()1( ???????? kukykykyku（ 3）逆模型辨識：逆模型 神經(jīng)網(wǎng)絡(luò)的輸出為 u(k1).輸入為：y(k),y(k1), y(k2),u(k2) 逆差分方程為： 逆模的參數(shù)為： TTdCCC ][][12101 ?????? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 （ 5）在線逆模型辨識（模型還是例 6的模型） 例 6 用線性自適應(yīng)神經(jīng)元進(jìn)行線性系統(tǒng)逆模型辨識 在線逆模型辨識（但是不能用 M序列，可用正弦和隨機(jī)數(shù)）證明在線難度大 （ 4）離線逆模型辨識： 輸入 u(k)循環(huán)周期 Np=15的四階 M序列 程序名稱 （離線） 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 （在線） 這里主要解決如下的幾個問題： （ 1）神經(jīng)控制的設(shè)計問題 （ 2）神經(jīng)控制的集中結(jié)構(gòu)及設(shè)計 （ 3）再勵學(xué)習(xí)原理，再勵學(xué)習(xí)與神經(jīng)控制。 3，對所有 u(k)而言， y(k)是一致有界的，即系統(tǒng)穩(wěn)定。全知權(quán)值依據(jù) δ 學(xué)習(xí)規(guī)則調(diào)整。 khkWkhkzkkWkW spTsp???? ?????????)()()()()()(kvkykzkskhkh2))(?)((21),( kykykWE ??],[ 2121 mn bbbaaa ???? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 3 基于高斯 RBF網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)辨識 仿真模型為： )40/2s in ()70/2s in ()( kkku ?? ??系統(tǒng)輸入信號為： 辨識器取串 并聯(lián)結(jié)構(gòu)，其中的 NN取二維高斯 RBF網(wǎng)絡(luò)。非線性原則上可構(gòu)造多個線性自適應(yīng)神經(jīng)元） 仿真系統(tǒng) y(k) v(k) z(k) u(k) 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 2 具有輸出量測噪聲的一階 SISO系統(tǒng)的辨識 訓(xùn)練采用的是 δ 規(guī)則。具有輸出量測噪聲 v(k)(零均值 )的系統(tǒng)輸出為： z(k)=y(k)+v(k) 該例為有輸出噪聲的隨機(jī)系統(tǒng)的第一類問題。 這里的學(xué)習(xí)算法可采用一次性 LS（離線）和遞推
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1