第十三章神經(jīng)網(wǎng)絡(luò)建模與控制(完整版)
【正文】 在 L2意義下，使準(zhǔn)則函數(shù)： A N N CkekytrkEA N N IkekykykE2222212121)(21)](?)([21)()(21)](?)([21)(?????????? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)控制 (b)不確定、不確知系統(tǒng)的一般結(jié)構(gòu)（這里是單位反饋） 2)神經(jīng)自校正控制 神經(jīng)自校正控制包括直接型（直接逆動態(tài)控制），間接型（就是常說的自校正控制）。這里設(shè) y=（學(xué)習(xí)率） ,C=5（泛化常數(shù) )N=5，量化級 q=Umin~Umax=1~1. )1()1( )1(5)( 32 kukykyky ??? 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 5 基于 PID網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)辨識 仿真系統(tǒng)模型： )40/2c o s ()60/2c o s ()( kkku ?? ??)1()1( )1(5)( 32 kukykyky ???)(?/)](),([ kykyku系統(tǒng)輸入信號為： 辨識器的輸入 /輸出為： PID神經(jīng)網(wǎng)絡(luò)的輸入 /輸出為： )(?/)]1(),1([ kykyku ??PID神經(jīng)網(wǎng)絡(luò)輸出層用線性節(jié)點，準(zhǔn)則函數(shù)取 2/)](?)([)( 2kykykE ??設(shè) η 1=， η2=. 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 例 5 基于 PID網(wǎng)絡(luò)的非線性動態(tài)系統(tǒng)辨識 辨識器 ANNI采用 PID神經(jīng)網(wǎng)絡(luò)與按拍延遲線（兩個 Z1）組成，選用串 并聯(lián)辨識結(jié)構(gòu)，如下圖所示： 基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)辨識示例 以上例子中這類問題的一般化描述為： 非線性系統(tǒng)的差分方程形式包含有： )()](,),1([)(5)](,),1([)()(4)()](),1([)(3)](,),1([)](,),1([)(2)](,),1()。 含輸入輸出噪聲的隨機模型的辨識問題的一般化描述為： 設(shè)隨機系統(tǒng)為： 求得系統(tǒng)參數(shù) 的估計值。 系統(tǒng)輸入采用 M序列，M序列選用周期 Np=15的四階 M序列。但恰恰在實際系統(tǒng)中，它是未知的，因此基本上是不實用的。逆系統(tǒng)建模是對非線性系統(tǒng)的逆運行過程建立一數(shù)學(xué)模型。 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。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。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。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。估計方法有：最小二乘法（快，線性），梯度下降法，極大似然法。 ?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。 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。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。 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）。 M序列的圖形可見仿真結(jié)果。 )()]())(()()[()()1( 39。(,),1([)(111ikubnkykygkyMmkukuikyakyMmkunkykygkyMmkukunkykygkyMmkukunkykygkyMmiinii??????????????????????????????????????仿射型離散狀態(tài)空間表達式： )
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1