第十三章神經(jīng)網(wǎng)絡建模與控制-預覽頁
【正文】 LS及梯度下降法（在線）。 不足之處在于逆模型的精度完全取決于正模型的精度。 a)被控對象 — 逆模型建模 這種方案的嚴重缺陷是：要求知道未知對象的模型。下面僅介紹三種常用方法： ① 非線性系統(tǒng)逆模型的直接建立 該方法又稱為泛化學習方法。 ③非線性系統(tǒng)的逆模型 非線性系統(tǒng)的逆模型研究包括逆系統(tǒng)建模和逆模型辨識兩部分內容。 例如： y = f ( x, u, T) 輸出 狀態(tài) 輸入 系統(tǒng)的控制作用 當輸入 u一定時，正常的系統(tǒng)分析過程是：已知 T(t)，確定 y(t)和 x(t). 系統(tǒng) T(t) y(t), x(t) 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 逆系統(tǒng)是：由 y(t)和 x(t)尋找控制信號 T(t). 系統(tǒng) 尋求 T(t) y(t), x(t)已知 T(t) y(t), x(t) 或者是：由理想的 y(t)和 x(t)，如何尋找理想的 T(t). 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 ② 系統(tǒng)分析逆模型的存在性 在一個控制系統(tǒng)中，如果已知了運動的軌跡 y(t)、 x(t)要想求出它的控制信號 T(t)，首先必然要知道這個控制信號是否存在？系統(tǒng)是否可逆？ 線型系統(tǒng)的可逆性問題實際上是一個能控性問題，即線性可控系統(tǒng)即是可逆系統(tǒng)。 在前述四種假設限制下，能夠寫出常用的一些非線性典型模型，現(xiàn)舉例如下： 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 n=2,m=0時的并聯(lián)結構如圖 3所示。 ?辨識模型的基本結構為包含神經(jīng)網(wǎng)絡的串 — 并聯(lián)結構。由于非線性系統(tǒng)在能控性、能觀性、負反饋調節(jié)、狀態(tài)觀測器設計等方面還沒有成熟的作法?；谒惴ǖ谋孀R方法將束手無策。 2）辨識模型 靜態(tài)模型、動態(tài)模型、參數(shù)模型、非參數(shù)模型（階躍響應、脈沖響應）、神經(jīng)網(wǎng)絡模型 3）辨識系統(tǒng)中的誤差準則 其中， 有各種選擇，最多的是平方函數(shù) 其中， 是誤差函數(shù)，定義區(qū)間為 [0,M] ??? mkkefJ1)]([)(?)(?f )()]([ 2 kekef ?)(ke被測系統(tǒng) + 干擾 + 辨識模型 + e 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 4）神經(jīng)網(wǎng)絡辨識原理 由誤差準則可知，系統(tǒng)辨識本質上是一個優(yōu)化問題。 凡是具備兩個條件的智能學科都可以在智能控制上占一席之地：①能夠模擬人腦的智力行為處理復雜性、不確定性、非線性對象。（含辨識器）。 1）辨識系統(tǒng)的基本結構 系統(tǒng)辨識的主要任務就是選擇辨識模型，確定輸入信號和誤差信號及其差值。 ②基于神經(jīng)網(wǎng)絡的辨識方法 在遇到不能線性化的非線性系統(tǒng)時，對應的模型難于轉化成關于參數(shù)空間的線型模型。 )(ke被辨識系統(tǒng) + V(k) + 辨識模型 + y(k) 延時 u(k) e(k) 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 5）辨識系統(tǒng)中的非線性模型 神經(jīng)網(wǎng)絡作系統(tǒng)辨識，主要用于非線性辨識和自適應。 ?在辨識模型中的神經(jīng)網(wǎng)絡允許一個或幾個不同的神經(jīng)網(wǎng)絡結構用于被控對象。 ?當誤差足夠小時，不使用串 — 并聯(lián)結構，只用并聯(lián)結構也能有好的效果。 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 6）非線性系統(tǒng)逆模型的神經(jīng)網(wǎng)絡辨識 ①什么叫系統(tǒng)的逆模型 在正常情況下，對系統(tǒng)進行分析的主要任務就是：系統(tǒng)在一個控制信號的作用下，將會產生什么樣的輸出；產生什么樣的運動軌跡。只有在所有點處可逆都成立，系統(tǒng)才是可逆的。 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 通常認為，神經(jīng)網(wǎng)絡辨識是逆模型建立和辨識的有效和常用方法。 被控對象 ANN + e u y 這里的 ANN常用 BP, RBF, CMAC 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 ② 正 — 逆系統(tǒng)建模 這種方法的要點是在非線性系統(tǒng)的正模型（未知對象的動力學模型）基礎上，獲得逆動力學模型，共有三種方案。 這種方案的優(yōu)點是：正模型建立之后就成為已知條件，未知被控對象的各種運算都能從正模型中計算出來。辨識器 NNI選擇串 并聯(lián)結構，采用自適應線性神經(jīng)元的 DTNN網(wǎng)絡。 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識示例 例 1 線性離散系統(tǒng)辨識示例 其中 (n1,n,k1,k2,k3,k4)是產生 M序列的函數(shù) n1 – n1階 M序列 → Np=(2p1) nM序列的總長度 Ki (i=1,…4) M序列參數(shù) K3一般取 0， K4一般取 0， K1 K2選擇使 Np達到最大值 程序 采用的是離線辨識方法 采用的是在線辨識方法 函數(shù) M序列的函數(shù) 基于神經(jīng)網(wǎng)絡的系統(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 仿真系統(tǒng)模型為 y(k)(k1)=(k1)。優(yōu)點是結構簡單，穩(wěn)定性、收斂性無問題。39。但這里選的是并聯(lián)結構。 2， u(k)， y(k)可測量。 在一般情況下多用傳 并聯(lián)辨識結構，這種結構下 ANNI更容易保證其穩(wěn)定性。學習算法也相同，輸出 y跟蹤輸入 r的精度取決于逆模型的精度。1(,),([)]1(,),()。圖中 L表示線性節(jié)點 f()=x。 原理：由 ANNI在線辨識被控對象模型（正）的基礎上，在線調整 ANNC權系數(shù)，達到自適應控制目的。 BP網(wǎng)絡的輸入為： ）（ 2)]()(),([)](,),
教學課件相關推薦
鄂ICP備17016276號-1