【正文】 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(zhì)上是一個優(yōu)化問題。 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。 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。第十三章 神經(jīng)網(wǎng)絡建模與控制 主 講 教 師 ： 付冬梅 北京科技大學信息工程學院自動化系 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)絡的系統(tǒng)辨識 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識示例 基于神經(jīng)網(wǎng)絡的系統(tǒng)控制 基于神經(jīng)網(wǎng)絡的系統(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。（含辨識器）。 ②不需要對象的精確數(shù)學模型便能逼近滿意控制。 1）辨識系統(tǒng)的基本結(jié)構(gòu) 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。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。 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(zhuǎn)化成關(guān)于參數(shù)空間的線型模型。 ? 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 基于神經(jīng)網(wǎng)絡的辨識系統(tǒng)結(jié)構(gòu)圖如下圖所示。 )(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。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)絡辨識非線性系統(tǒng)必須作一些假設限制： ?被控對象具有能控性、能觀性。 ?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(jié)構(gòu)用于被控對象。 基于神經(jīng)網(wǎng)絡的系統(tǒng)辨識 前兩條為保證系統(tǒng)的穩(wěn)定性和可辨性，第三條為了方便選擇模型，簡化處理過程，第四條限制主要是為了易于達到以下目的： ?由于輸出 y存在并有界，那么串 — 并聯(lián)模型中的所有信號均有界，辨識模型易于穩(wěn)定。 ?當誤差足夠小時，不使用串 — 并聯(lián)結(jié)構(gòu)，只用并聯(lián)結(jié)構(gòu)也能有好的效果。 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)絡的系統(tǒng)辨識 n=2,m=0時的串聯(lián)結(jié)構(gòu)如圖 4所示。 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(chǎn)生什么樣的輸出；產(chǎn)生什么樣的運動軌跡。非線性則未必。只有在所有點處可逆都成立，系統(tǒng)才是可逆的。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)學模型。 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。泛化學習的本意是網(wǎng)絡訓練所覆蓋的范圍要比未知的逆系統(tǒng)所可能涉及的范圍大一些。 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(chǔ)上，獲得逆動力學模型，共有三種方案。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。 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。且這種缺陷是這種辨識結(jié)構(gòu)所設。辨識器 NNI選擇串 并聯(lián)結(jié)構(gòu)，采用自適應線性神經(jīng)元的 DTNN網(wǎng)絡。 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。 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(chǎn)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)。辨識器ANNI選串 — 并聯(lián)結(jié)構(gòu)。優(yōu)點是結(jié)構(gòu)簡單，穩(wěn)定性、收斂性無問題。 含輸入輸出噪聲的隨機模型的辨識問題的一般化描述為： 設隨機系統(tǒng)為： 求得系統(tǒng)參數(shù) 的估計值。39。 其中散布系數(shù) SC=1，中心參數(shù)是程序內(nèi)部自設的。但