現(xiàn)代控制工程-第13章神經(jīng)網(wǎng)絡控制(參考版)
2025-05-31 01:50本頁面
【正文】 61 直流調(diào)速系統(tǒng)的單神經(jīng)元控制器 62 THE END Modern Control Engineering 。轉速環(huán)采用單神經(jīng)元 PID控制器。 ( ) ( ) ( ) ( )iiv k e k u k u k?( 1 ) ( ) ( )i i i iw k w k v k?? ? ?不難看出，單神經(jīng)元控制器依照學習信號所反映的誤差與環(huán)境的變化，對相應的積分、比例、微分系數(shù)進行在線調(diào)整，產(chǎn)生自適用控制作用，具有很強的魯棒性，控制器還利用了神經(jīng)元的非線性特性，突破線性調(diào)節(jié)器的局限，實現(xiàn)轉速環(huán)的平穩(wěn)飽和的作用。 57 直流調(diào)速系統(tǒng)的單神經(jīng)元控制器 1. 系統(tǒng)結構 ?直流調(diào)速系統(tǒng)結合傳統(tǒng) PID控制機理 ， 構成了單神經(jīng)元 PID控制器 。 ? 利用已有的數(shù)字計算機模擬神經(jīng)網(wǎng)絡機理 ， 在速度上還有很大的差距 ， 難以解決很多實時控制問題 。 被控對象FreM+dud39。 被控對象Cu+參考模型參考模型dr廣義誤差yrer55 神經(jīng)網(wǎng)絡內(nèi)?？刂? 線性系統(tǒng)的內(nèi)模控制具有魯棒性強和易于進行穩(wěn)定性分析的特點，雖然要求系統(tǒng)開環(huán)穩(wěn)定，但已廣泛應用于過程控制。 rd被控對象u yPC53 神經(jīng)網(wǎng)絡預測控制 神經(jīng)網(wǎng)絡的預測控制就是利用作為對象辨識模型的神經(jīng)網(wǎng)絡產(chǎn)生預測信號，然后采用優(yōu)化技術求出控制向量，從而實現(xiàn)對非線性系統(tǒng)的預測控制。 三層 BP網(wǎng)絡： O RPM L S SDOPHBO DCO DNP 污水處理過程神經(jīng)網(wǎng)絡軟測量模型 51 基于神經(jīng)網(wǎng)絡的控制方法 ? 根據(jù)神經(jīng)網(wǎng)絡在控制器中的作用不同，神經(jīng)網(wǎng)絡控制器可分為兩類： ? （ 1）神經(jīng)控制：以神經(jīng)網(wǎng)絡為基礎而形成的獨立智能控制系統(tǒng)； ? （ 2）混合神經(jīng)網(wǎng)絡控制：利用神經(jīng)網(wǎng)絡學習和優(yōu)化能力來改善傳統(tǒng)控制的智能控制方法，如自適應神經(jīng)網(wǎng)絡控制等。 軟測量技術 49 ? 序批式活性污泥法（ SBR） 曝氣池二次沉淀池回流污泥剩余污泥進水出水空氣 污水處理過程神經(jīng)網(wǎng)絡軟測量模型 50 BOD、 COD、 N和 P：為軟測量模型的主導變量。 ? 數(shù)據(jù)采集與處理。 軟測量是利用一些可測變量去估計推測那些難以測量的變量。 47 基于神經(jīng)網(wǎng)絡的軟測量方法 ? 軟測量技術 ? 主導變量：被估計的變量。 （ 4）神經(jīng)網(wǎng)絡具有大量連接，其權值在辨識中對應于模型參數(shù)，通過調(diào)節(jié)這些權值可使網(wǎng)絡輸出逼近系統(tǒng)輸出。 （ 3）辨識的收斂速度不依賴于待辨識系統(tǒng)的維數(shù)，只與神經(jīng)網(wǎng)絡本身及其所采用的學習算法有關。 （ 2）可以對本質(zhì)非線性系統(tǒng)進行辨識，而且辨識是通過在網(wǎng)絡外部擬合系統(tǒng)的輸入輸出，網(wǎng)絡內(nèi)部隱含著系統(tǒng)的特性。 被控對象學習算法du+dyp45 反向模型辨識 學習算法r uE被控對象yPymMC逆模型前向模型反向建模 (inverse modelling)是將作為對象的逆模型的神經(jīng)網(wǎng)絡位于對象之前，網(wǎng)絡模型的輸出作為被控對象的輸入。 盡管還有很多關鍵的理論問題尚待解決 ， 但已有結果已經(jīng)展示了神經(jīng)網(wǎng)絡在非線性系統(tǒng)建模方面的廣闊前景 。 ? 缺點 BP算法的特點分析 43 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識方法 神經(jīng)網(wǎng)絡對非線性函數(shù)具有任意逼近和自學習能力 ，為系統(tǒng)的辨識 ， 尤其是非線性動態(tài)系統(tǒng)的辨識提供了一條有效的途徑 。 ? 局部極值。 ? 具有較好的容錯性。 BP算法的特點分析 42 ? 2. BP網(wǎng)絡的主要優(yōu)缺點 ? 很好的逼近特性。 ? 學習算法：正向傳播、反向傳播。 ? 連接權值：通過 Delta學習算法進行修正。 （ 6） 讓 t+1→ t， 取出另一組樣本重復 （ 2） － （ 5） ， 直到 N 組輸入輸出樣本的誤差達到要求時為止 。, . . . ,1。 ? 1. BP算法的設計 38 BP算法的實現(xiàn) （ 1）初始化：對所有連接權和閾值賦以隨機任意小值； （ 2） 從 N 組輸入輸出樣本中取一組樣本： x=[x1, x2,…, xp1]T, d=[d1, d2,…, dpm]T, 把輸入信息 x=[x1, x2,…, xp1]T輸入到 BP網(wǎng)絡中 （ 3） 正向傳播：計算各層節(jié)點的輸出： （ 4） 計算網(wǎng)絡的 實際輸出與期望輸出的誤差： )0。 （ 3） 訓練數(shù)據(jù)預處理：線性的特征比例變換 ， 將所有的特征變換到 [0， 1]或者 [1， 1]區(qū)間內(nèi) ， 使得在每個訓練集上 ， 每個特征的均值為 0， 并且具有相同的方差 。 ? 2. 學習算法 mpmmmyyy21121pxxx35 BP學習算法 ? 2. 學習算法 ( ) ( )mmmmiii s i fyydu ?
畢業(yè)設計相關推薦
鄂ICP備17016276號-1