[信息與通信]智能控制第8章(參考版)
2024-10-19 17:33本頁面
【正文】 。 pk fk3 仿真實(shí)例 被控對象為一階系統(tǒng)： uJ ???其中 ， 。 iiiiii uuiiuii eeSSeSug??? ??? ??????1112)(0。 2. 基于 Hopfield網(wǎng)絡(luò)的控制器優(yōu)化 所采用的 hopfield網(wǎng)絡(luò)結(jié)構(gòu)如圖 811所示 。 基于 Hopfield網(wǎng)絡(luò)的自適應(yīng)控制 1. 系統(tǒng)描述 被控對象為一階系統(tǒng)： uJ ???即 其中 為轉(zhuǎn)動慣量 ， 為控制輸入 ， 實(shí)際速度為 。 網(wǎng)絡(luò)最終輸出向量 V為網(wǎng)絡(luò)的穩(wěn)定平衡點(diǎn) ， 即 EN的極小點(diǎn) 。 ? ? sseesg?????11?? ?Tnuuu , . . . , 21?u? ?Tnvvv ,...,V 21?? ?TnIII , . . . , 21?I 定義 Hopfield網(wǎng)絡(luò)的 Lyapunov能量函數(shù)為 ? ? ?? ?? ? ???? ?iiiiviii jjiijN vIdvvgRvvwEi01121若權(quán)值矩陣 是對稱的 （ ） ， 則 W jiij ww ??? ?? ??????????????????????????????? iiiii jiiijijiniiiNdtduCdtdvIRuvwdtdvtvvEdtdE1由于 ,則 ? ?ii ugv ?? ???????????? ?iiiiiNdtdvdvvdgCdtdE 21 由于 ， 雙曲函數(shù)是單調(diào)上升函數(shù) ， 顯然它的反函數(shù) 也為單調(diào)上升函數(shù) ， 即有 ， 則可得到 ， 即能量函數(shù) 具有負(fù)的梯度 ， 當(dāng)且僅當(dāng) 時 , （ ） 。 對于 Hopfield神經(jīng)網(wǎng)絡(luò)第 i個神經(jīng)元 ， 采用微分方程建立其輸入輸出關(guān)系 ， 即： 其中 。 Hopfield神經(jīng)網(wǎng)絡(luò)模型是由一系列互聯(lián)的神經(jīng)單元組成的反饋型網(wǎng)絡(luò) ， 如圖 810所示 。 網(wǎng)絡(luò)收斂就是指能量函數(shù)達(dá)到極小值 。 反饋型網(wǎng)絡(luò)的一個重要特點(diǎn)就是它具有穩(wěn)定狀態(tài) ， 當(dāng)網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)的時候 ， 也就是它的能量函數(shù)達(dá)到最小的時候 。 基本的 Hopfield神經(jīng)網(wǎng)絡(luò)是一個由非線性元件構(gòu)成的全連接型單層反饋系統(tǒng) ， Hopfield網(wǎng)絡(luò)中的每一個神經(jīng)元都將自己的輸出通過連接權(quán)傳送給所有其它神經(jīng)元 ， 同時又都接收所有其它神經(jīng)元傳遞過來的信息 。 CMAC網(wǎng)絡(luò)逼近程序?yàn)?。設(shè)雜湊表長為 m， 以元素值 s(k)+i除以某數(shù) N（ N=m） 后所得余數(shù) +1作為雜湊地址 ， 實(shí)現(xiàn)了實(shí)際映射 ， 即 ? ? 1M O D ??? N )i ( s ( k )iad其中 。 ? 仿真實(shí)例 ? 采用 CMAC網(wǎng)絡(luò)逼近非線性對象： ))1(1/()1()1()( 23 ?????? kykykuky取 u(k)作為網(wǎng)絡(luò)的輸入 ， 采用線性化函數(shù)對輸入狀態(tài)進(jìn)行量化 ， 實(shí)現(xiàn) CMAC的概念映射： ? ? ??????????? m i nm a xm i n)()( xxMxkur o u n dks其中 xmin和 xmax輸入的最大最小值， M為 xmax量化后所對應(yīng)的最大值， round()為四舍五入的 Matlab函數(shù)。 只考慮單輸出： 即 ? ????cjpjjn uswy1)(???cjjn wy1 CMAC采用的學(xué)習(xí)算法如下： 采用 δ 學(xué)習(xí)規(guī)則調(diào)整權(quán)值，權(quán)值調(diào)整指標(biāo)為 2)(21 tecE ?其中 。 （ 2）實(shí)際映射 （ AC AP） 實(shí)際映射是由概念存儲器 AC中的 c個單元 ， 用雜散編碼技術(shù)映射至實(shí)際存儲器 AP的 c個單元 ，c個單元中存放著相應(yīng)權(quán)值 。 Tnp2p1pp ]u,u,[uu ??][ pu采用下式表示映射后的向量： Rp=S([up])=[s1(up),s2(up),…,s c(up)]T 式中 sj([up])=1 , j=1,2,…,c 映射原則為：在輸入空間鄰近的兩個點(diǎn)，在 AC中有部分的重疊單元被激勵。 （ 1） 概念映射 （ U?AC） 概念映射是從輸入空間 U至概念存儲器 AC的映射 。 CMAC神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要包括輸入空間的化分 、 輸入層至輸出層非線性映射的實(shí)現(xiàn)及輸出層權(quán)值學(xué)習(xí)算法 。 圖 88 CMAC神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 一種典型 CMAC算法 CMAC網(wǎng)絡(luò)由輸入層 ， 中間層和輸出層組成 。 由于 CMAC所具有的上述優(yōu)越性能 ， 使它比一般神經(jīng)網(wǎng)絡(luò)具有更好的非線性逼近能力 ， 更適合于復(fù)雜動態(tài)環(huán)境下非線性實(shí)時控制的要求 。 CMAC已被公認(rèn)為是一類聯(lián)
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1