【正文】 M序列。這里設 y=（學習率） ,C=5（泛化常數(shù) )N=5，量化級 q=Umin~Umax=1~1. )1()1( )1(5)( 32 kukykyky ??? 基于神經網絡的系統(tǒng)辨識示例 例 5 基于 PID網絡的非線性動態(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神經網絡的輸入 /輸出為： )(?/)]1(),1([ kykyku ??PID神經網絡輸出層用線性節(jié)點，準則函數(shù)取 2/)](?)([)( 2kykykE ??設 η 1=， η2=. 基于神經網絡的系統(tǒng)辨識示例 例 5 基于 PID網絡的非線性動態(tài)系統(tǒng)辨識 辨識器 ANNI采用 PID神經網絡與按拍延遲線（兩個 Z1）組成，選用串 并聯(lián)辨識結構，如下圖所示： 基于神經網絡的系統(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()。 g[],φ []為非零函數(shù)，如果這兩個均已知，根據確定性等價原則，控制器的控制算法為： ][)1(][][)(?????????krgku此時，控制系統(tǒng)的輸出 y(k)能精確地跟蹤輸入 r(k)系統(tǒng)期望輸出。1( ) (5 )1( ) ))? ( ) ( ) ( 1 ) ( 6 )( ) 1iuxxPiiiiwefxef x xy k w o k b u ko k w???????? ? ????至 第 個 隱 節(jié) 點 的 權 為非 線 性 作 用 函 數(shù)網 絡 的 輸 出 為 ( 設 輸 出 節(jié) 點其 中 ， 是 對 應 的 閾 值設目標函數(shù)為： )7()(21)](?)([21)( 2121 ????? kekykykE網絡權值調整算法為： )9()()]()][([)()()8()()()()()(211111112?????????????kIkwkxfkekwkokekwkEkwjiiijiii??? 基于神經網絡的系統(tǒng)控制 + 自適應線性神經元模型為： ）（ 10)1()()()()()()(3021?????????????????kekekCkekCkekCkj其中每個適應性神經元的輸入為： W1 ∫e(t) W2 e(t) W3 基于神經網絡的系統(tǒng)控制 + 自適應線性神經元模型為： )12()(21)](?)([21)()(11)()()()(2222332211??????????kekykrkEkcwkcwkcwku單位反饋形式設目標函數(shù)為）（則 ANNC網絡權值調整算法為： )14()()()()11()13()()()()(?)()(2)(?2)()()(2)(222222??????????????????kckwkukwkukukykeykwkykeykwkEykwiiiiii式知由 基于神經網絡的系統(tǒng)控制 + 又由 (1)(6)可得： )15()]()][39。需要在線設計與實現(xiàn)。 其中散布系數(shù) SC=1，中心參數(shù)是程序內部自設的。且這種缺陷是這種辨識結構所設。非線性則未必。 ? 基于神經網絡的系統(tǒng)辨識 基于神經網絡的辨識系統(tǒng)結構圖如下圖所示。 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)負反饋形式。 ?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。這樣有利于獲得更佳的逆動力學特性。仍用自適應線性神經元（事先要已知被辨識系統(tǒng)的數(shù)學模型的結構，而且線性自適應神經元主要適應于線性系統(tǒng)。 2，輸入 m維，輸出 p維，狀態(tài) n維。([)1(? kukVkyNkWkyNgky ????)()(][][][][)(krkyNgNgeeeexf xxxx?????????? ??時，才能使與只有當 ?? 基于神經網絡的系統(tǒng)控制 因此，我們設定目標函數(shù)為 而取值的調整仍可采用 BP算法 )()()1()()()1()1(21)]1()1([21)(22kVkVkVkWkWkWkekykrkE??????????????：，即權系的調整過程為網絡辨識器的訓練過程)()(][][][][)(krkyNgNgeeeexfxxxx????????????時，才能使與只有當 ?? 基于神經網絡的系統(tǒng)控制 例 7 被控對象具有非線性時變特性的神經網絡自校正控制 仿真模型為： 11)(1,10,:)],([)]1([221???????????學習率非線性作用函數(shù)網絡結構選xxgeexfNNkykyN仿真結果表明控制系統(tǒng)能有效地抑制擾動，