神经网络控制及应用辨识与控制精选PPT.ppt

《神经网络控制及应用辨识与控制精选PPT.ppt》由会员分享，可在线阅读，更多相关《神经网络控制及应用辨识与控制精选PPT.ppt（63页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、关于神经网络控制及应用辨识与控制第1页，讲稿共63张，创作于星期二23.2.1神经网络系统辨识原理神经网络系统辨识原理 定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定一个与所测系统等价的模型。一个与所测系统等价的模型。1动态系统的常用自回归滑动平均模型动态系统的常用自回归滑动平均模型 以单输入单输出以单输入单输出(SISO)时不变离散系统为对象：时不变离散系统为对象：3.2 神经网络系统辨识神经网络系统辨识系系统统 系系统统 系系统统 3.2.1.1系统辨识原理系统辨识原理 第2页，讲稿共63张，创作于星

2、期二31动态系统的常用自回归滑动平均模型动态系统的常用自回归滑动平均模型3.2 神经网络系统辨识神经网络系统辨识系系统统 系系统统 其中，其中，u(k)、y(k)和和d(k)分别代表系统在分别代表系统在k时刻的可测输入、输出和扰动，时刻的可测输入、输出和扰动，m、n和和l分别为输入时间序列、输出时间序列和扰动时间序列的阶次，且分别为输入时间序列、输出时间序列和扰动时间序列的阶次，且 ，、和和 为常系数，为常系数，=1,2,l。3.2.1.1系统辨识原理系统辨识原理 第3页，讲稿共63张，创作于星期二4l系统系统对过去对过去n个时刻的输出和过去个时刻的输出和过去m个时刻的输入是线性的个时刻的输入

3、是线性的；l系统系统对前对前n个时刻的输出是线性的，对前个时刻的输出是线性的，对前m个时刻的输入是非线性的个时刻的输入是非线性的；l系统系统对过去的输出是非线性的，对过去的输入是线性的对过去的输出是非线性的，对过去的输入是线性的；l系统系统对过去的输出和过去的输入都非线性的对过去的输出和过去的输入都非线性的；l系统系统的输出是的输出是n个过去的输入和个过去的输入和m个过去的输出非线性函数，是非线性系个过去的输出非线性函数，是非线性系统的通用表达式，而系统统的通用表达式，而系统系统系统可看作它的特例。可看作它的特例。3.2 神经网络系统辨识神经网络系统辨识1动态系统的常用自回归滑动平均模型动态系

4、统的常用自回归滑动平均模型3.2.1.1系统辨识原理系统辨识原理 第4页，讲稿共63张，创作于星期二53.2 神经网络系统辨识神经网络系统辨识2动态系统的离散状态空间模型动态系统的离散状态空间模型仿射型：仿射型：一般型：一般型：其中，其中，为非线性算子，为非线性算子，u(k)，y(k)，x(k)是系统在时刻是系统在时刻k的输入、输出和状态变量。设系统具有能观性和能控性。的输入、输出和状态变量。设系统具有能观性和能控性。3.2.1.1系统辨识原理系统辨识原理 第5页，讲稿共63张，创作于星期二61)实验设计实验设计 确定输入信号、采样周期、辨识时间、开环或闭环、离线或确定输入信号、采样周期、辨识

5、时间、开环或闭环、离线或 在线等等。在线等等。2)确定辨识模型确定辨识模型M的结构的结构 M的结构设计主要依靠人的经验来确定，的结构设计主要依靠人的经验来确定，M可以由一个或多个神经可以由一个或多个神经网络组成，也可以加入线性系统。网络组成，也可以加入线性系统。3)确定辨识模型的参数确定辨识模型的参数 需要选择合适的参数辨识算法。采用需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般神经网络时，可采用一般的的BP学习算法辨识网络的权值参数。学习算法辨识网络的权值参数。4)模型检验模型检验 模型的实际应用效果是对系统辨识效果优劣的检验标准。模型的实际应用效果是对系统辨识效果优劣的检验标准

6、。3.2 神经网络系统辨识神经网络系统辨识3.2.1.2 辨识的主要步骤辨识的主要步骤 第6页，讲稿共63张，创作于星期二73.2 神经网络系统辨识神经网络系统辨识3.2.1.3 在线辨识与离线辨识在线辨识与离线辨识 d dP +-e e(k k)u u(k k)第7页，讲稿共63张，创作于星期二83.2 神经网络系统辨识神经网络系统辨识3.2.1.3 在线辨识与离线辨识在线辨识与离线辨识 在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络离线辨识是在已取得大量系统的输

7、入输出后，用这些历史数据对神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络离在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络

8、离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。第8页，讲稿共63张，创作于星期二93.2 神经网络系统辨识神经网络系统辨识3.2.2 系统模型的神经网络辨识系统模型的神经网络辨识3.2.2.1系统正模型的神经网络辨识系统正模型的神经网络辨识采用系采用系统统的一般描述，的一般描述，设设n=3，m=2，被辨，被辨识识系系统统差分方程差分方程为为令辨识模型令辨识模型M为为或或(3-90)(3-91)第9页，讲稿共63张，创作于星期二103.2 神经网络系统辨识神经网络系统辨识3.2.2.1系统正模型的神经网络

9、辨识系统正模型的神经网络辨识并联结构并联结构 第10页，讲稿共63张，创作于星期二113.2 神经网络系统辨识神经网络系统辨识3.2.2.1系统正模型的神经网络辨识系统正模型的神经网络辨识串串-并联结构并联结构 第11页，讲稿共63张，创作于星期二12e(t)y(t+1)u(t)e(t)y(t+1)P(NN)u(t)P(NN)系统逆模型辨识的两种结构系统逆模型辨识的两种结构(a)反馈结构反馈结构(b)前馈结构前馈结构 3.2 神经网络系统辨识神经网络系统辨识3.2.2.2系统逆模型的神经网络辨识系统逆模型的神经网络辨识第12页，讲稿共63张，创作于星期二133.2 神经网络系统辨识神经网络系统

10、辨识3.2.2.3 神经网络系统辨识应用实例神经网络系统辨识应用实例建立加热炉中钢坯表面温度预报模型建立加热炉中钢坯表面温度预报模型 在BP网络的基础之上把输出端信号通过延时环节反馈到输入端，从而形成动态BP网络。神经网络辨识模型神经网络辨识模型 第13页，讲稿共63张，创作于星期二14 在选取样本时，两组不同工况下的数据中的炉膛温度都进行线性化处理，工况1、2分别以炉温达850和880时取样的加热数据。网络训练误差曲线 工况1实测温度、预报温度比较图 第14页，讲稿共63张，创作于星期二153.2 神经网络系统辨识神经网络系统辨识3.2.2.3 神经网络系统辨识应用实例神经网络系统辨识应用实

11、例例二：粮食干燥热力过程神经网络模型辨识例二：粮食干燥热力过程神经网络模型辨识 粮食干燥塔系统简化图粮食干燥塔系统简化图 神经网络辨识模型神经网络辨识模型 第15页，讲稿共63张，创作于星期二163.2 神经网络系统辨识神经网络系统辨识3.2.2.3 神经网络系统辨识应用实例神经网络系统辨识应用实例例二：粮食干燥热力过程神经网络模型辨识例二：粮食干燥热力过程神经网络模型辨识 干燥塔出口粮食水分神经网络辨识结果与实测结果比较干燥塔出口粮食水分神经网络辨识结果与实测结果比较 第16页，讲稿共63张，创作于星期二173.2 神经网络系统辨识神经网络系统辨识例三：例三：BP网络在齿轮箱故障诊断中的应用

12、网络在齿轮箱故障诊断中的应用 根据齿轮箱9组数据，用BP神经网络对其进行故障诊断（数据为齿轮的啮合频率，并进行归一化处理。网络结构为15-31-3）。由于齿轮包括3种故障模式，故可采用如下的形式表示输出模式：无故障：（1，0，0）；齿根裂纹：（0，1，0）；断齿：（0，0，1）；其中三组测试数据对应的故障分别为齿根裂纹、无故障、断齿。而网络输出值为：0.0028 0.9907 0.0101 0.9565 0.0217 0.0061 0.0242 0.0021 0.9919第17页，讲稿共63张，创作于星期二18n P=0.2286 0.1292 0.072 0.1592 0.1335 0.07

13、33 0.1159 0.094 0.0522 0.1345 0.009 0.126 0.3619 0.069 0.1828;n 0.209 0.0947 0.1393 0.1387 0.2558 0.09 0.0771 0.0882 0.0393 0.143 0.0126 0.167 0.245 0.0508 0.1328;n 0.0442 0.088 0.1147 0.0508 0.1328 0.115 0.1453 0.0429 0.1818 0.0378 0.0092 0.2251 0.1516 0.0858 0.067;n 0.2603 0.1715 0.0702 0.2711 0.1

14、491 0.133 0.0968 0.1911 0.2545 0.0871 0.006 0.1793 0.1002 0.0789 0.0909;n 0.369 0.2222 0.0562 0.5157 0.1872 0.1614 0.1425 0.1506 0.1310 0.05 0.0078 0.0348 0.0451 0.0707 0.088;n 0.0359 0.1149 0.123 0.546 0.1977 0.1248 0.0624 0.0832 0.164 0.1002 0.0059 0.1503 0.1837 0.1295 0.07;n 0.1759 0.2347 0.1829

15、0.1811 0.2922 0.0655 0.0774 0.2273 0.2056 0.0925 0.0078 0.1852 0.3501 0.168 0.2668;n 0.0724 0.1909 0.134 0.2409 0.2842 0.045 0.0824 0.1064 0.1909 0.1586 0.0116 0.1698 0.3644 0.2718 0.2494;n 0.2634 0.2258 0.1165 0.1154 0.1074 0.0657 0.061 0.2623 0.2588 0.1155 0.005 0.0978 0.1511 0.2273 0.322;nT=1 0 0

16、;1 0 0;1 0 0;0 1 0;0 1 0;0 1 0;0 0 1;0 0 1;0 0 1;nthreshold=0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;nnet=newff(threshold,31,3,tansig,logsig,trainlm);第18页，讲稿共63张，创作于星期二19nnet.trainParam.epochs=50;nnet.trainParam.goal=0.001;nLP.lr=0.1;nnet=train(net,P,T);n%测试数据ntest=0.2593 0.18 0.0

17、711 0.2801 0.1501 0.1298 0.1001 0.1891 0.2531 0.0875 0.0058 0.1803 0.0992 0.0802 0.1002;n 0.2101 0.095 0.1298 0.1359 0.2601 0.1001 0.0753 0.089 0.0389 0.1451 0.0128 0.159 0.2452 0.0512 0.1319;n 0.2599 0.2235 0.1201 0.1171 0.1102 0.0683 0.0621 0.2597 0.2602 0.1167 0.0048 0.1002 0.1521 0.2281 0.3205;n

18、y=sim(net,test)nTRAINLM-calcjx,Epoch 0/50,MSE 0.29517/0.001,Gradient 0.29501/1e-010nTRAINLM-calcjx,Epoch 5/50,MSE 0.000163395/0.001,Gradient 0.000683316/1e-010nTRAINLM,Performance goal met.ny=n 0.0028 0.9907 0.0101n 0.9565 0.0217 0.0061n 0.0242 0.0021 0.9919第19页，讲稿共63张，创作于星期二203.2 神经网络系统辨识神经网络系统辨识例四

19、：例四：RBF网络在股市价格中的应用网络在股市价格中的应用 这里将3天作为一个周期，3天的股票价格作为网络的输入向量，输出为预测日当天的股票价格。日期股票价格日期股票价格10.125470.711920.231580.868530.329790.925640.437650.542560.6078第20页，讲稿共63张，创作于星期二21nP=0.1254 0.2315 0.3279;n 0.2315 0.3297 0.4376;n 0.3297 0.4376 0.5425;n 0.4376 0.5425 0.6078;n 0.5425 0.6078 0.7119;nT=0.4376 0.5425

20、 0.6078 0.7119 0.8685;nP_test=0.6078 0.7119 0.8685;nnet=newrb(P,T,0,40);ny=sim(net,P_test)nx9=0.9256;ne=x9-ynNEWRB,neurons=0,SSE=0.0196226ny=n 0.8343ne=n 0.0913第21页，讲稿共63张，创作于星期二22 神经网络控制是神经网络与自动控制相结合而形成的一门综合性神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控

21、制系统的设计与应用既需要熟悉神经网络的各种网络模型、学网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线性控制、系统辨识和自适应控制等等。性控制、系统辨识和自适应控制等等。本节简要介绍人工神经网络控制的常用结构，重点介绍几种神本节简要介绍人工神经网络控制的常用结构，重点介绍几种神经网络控制方案的设计方法、性能分析以及应用举例经网络控制方案的设计方法、性能分析以及应用举例。3.3 神经网络控制神经网络控制第22页，讲稿共63张，创作于星期二233.3.1神经网络控制系

22、统结构神经网络控制系统结构 3.3.1.1直接逆控制系统结构直接逆控制系统结构 直接逆控制是一种前馈控制，设被控对象模型为直接逆控制是一种前馈控制，设被控对象模型为P且其逆模型且其逆模型P-1存在，理论上可直接用存在，理论上可直接用P-1作为控制器与被控对象串联，此时控作为控制器与被控对象串联，此时控制器制器P-1的输入为系统的参考输入的输入为系统的参考输入r，输出为，输出为u，而被控对象的，而被控对象的输入为输入为u，输出为，输出为y，理想情况下应有，理想情况下应有y=r，即系统的传递函数，即系统的传递函数为为P P-1=1。因此，可先通过离线训练使神经网络控制器。因此，可先通过离线训练使神

23、经网络控制器NNC获得被控对象的逆特性获得被控对象的逆特性P-1，再将具有逆特性，再将具有逆特性P-1的的NNC与被与被控对象串联。控对象串联。3.3 神经网络控制神经网络控制第23页，讲稿共63张，创作于星期二24NNC()对象对象NN()神经网络直接逆控制结构神经网络直接逆控制结构 该控制结构的一种实现方案如下图所示该控制结构的一种实现方案如下图所示:3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.1直接逆控制系统结构直接逆控制系统结构第24页，讲稿共63张，创作于星期二25-d yu -f r +滤波器滤波器NNC()对象对象NNI()内模

24、控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较内模控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。好地解决直接逆控制存在的问题。3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.2 内模控制系统结构内模控制系统结构第25页，讲稿共63张，创作于星期二26 PID控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。在常规控制作用的关系。在常规PID控制器中，这种关系只能是简单的线性组合，因此难控制器中，这种关系只能是

25、简单的线性组合，因此难以适应复杂系统或复杂环境下的控制性能要求。以适应复杂系统或复杂环境下的控制性能要求。从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来实现具有最佳组合的实现具有最佳组合的PID控制。控制。3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.3 PID控制系统结构控制系统结构第26页，讲稿共63张，创作于星期二273.3.1神经网络控制系统结构

26、神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.3 PID控制系统结构控制系统结构第27页，讲稿共63张，创作于星期二28 间接自校正控制常称为自校正控制，该方案可在被控系统参数变间接自校正控制常称为自校正控制，该方案可在被控系统参数变化的情况下自动调整控制器参数，消除扰动的影响。化的情况下自动调整控制器参数，消除扰动的影响。3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.4 间接自校正控制系统结构间接自校正控制系统结构第28页，讲稿共63张，创作于星期二29 预测控制是一种基于被控对象的预测模型的控制，特点是滚动优化和反馈校预

27、测控制是一种基于被控对象的预测模型的控制，特点是滚动优化和反馈校正。由于神经网络能辨识非线性动态系统的输入输出特性，可作为系统的预测模正。由于神经网络能辨识非线性动态系统的输入输出特性，可作为系统的预测模型。型。3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.5 预测控制系统结构预测控制系统结构第29页，讲稿共63张，创作于星期二30 模型参考自适应控制来源于线性系统的模型参考自适应控制模型参考自适应控制来源于线性系统的模型参考自适应控制(MRAC)，当被控对象具有未知的非线性特性时，可采用神经网络模型参考自适应当被控对象具有未知的非线性特性时，

28、可采用神经网络模型参考自适应控制方案，其结构如下。控制方案，其结构如下。间接型间接型直接型直接型3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.6 模型参考自适应控制系统结构模型参考自适应控制系统结构第30页，讲稿共63张，创作于星期二31 智能控制的思路是模仿人的智能智能控制的思路是模仿人的智能行为进行控制，人作出控制决策时凭借行为进行控制，人作出控制决策时凭借的不是数学模型而是经验，而这些经验的不是数学模型而是经验，而这些经验是经过是经过“行动行动 评价评价改进行动方案改进行动方案再行动再行动”的多次反复才能获得的，的多次反复才能获得的，再励

29、学习控制就是模仿人的这种学习再励学习控制就是模仿人的这种学习方式而提出的。方式而提出的。3.3.1神经网络控制系统结构神经网络控制系统结构 3.3 神经网络控制神经网络控制3.3.1.7 再励学习再励学习控制系统结构控制系统结构第31页，讲稿共63张，创作于星期二323.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 设被控对象为设被控对象为 1.神经网络辨识器的设计神经网络辨识器的设计 ,(3-92)第32页，讲稿共63张，创作于星期二33第33页，讲稿共63张，创作于星期二343.3 神经网络控制神经网络控制3.3.2.1 基于基于BP

30、BP神经网络的神经网络的PIDPID控制控制 1.神经网络辨识器的设计神经网络辨识器的设计第34页，讲稿共63张，创作于星期二353.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 1.神经网络辨识器的设计神经网络辨识器的设计第35页，讲稿共63张，创作于星期二363.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第36页，讲稿共63张，创作于星期二373.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络

31、的PIDPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第37页，讲稿共63张，创作于星期二383.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第38页，讲稿共63张，创作于星期二393.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第39页，讲稿共63张，创作于星期二403.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PI

32、DPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第40页，讲稿共63张，创作于星期二413.3 神经网络控制神经网络控制3.3.2.1 基于基于BPBP神经网络的神经网络的PIDPID控制控制 2.神经网络神经网络PID控制器的设计控制器的设计 第41页，讲稿共63张，创作于星期二42例:设被控对象的近似数学模型为：神经网络的结构为4-5-3，学习速率为 =0.28，惯性系数 =0.04，加权系数初始值取-0.5,0.5上的随机数。输入信号分为两种：（1）（2）第42页，讲稿共63张，创作于星期二43第43页，讲稿共63张，创作于星期二44nclear all;nclos

33、e all;nxite=0.20;nalfa=0.05;nS=2;%Signal type nIN=4;H=5;Out=3;%NN Structurenif S=1%Step Signalnwi=-0.6394 -0.2696 -0.3756 -0.7023;n -0.8603 -0.2013 -0.5024 -0.2596;n -1.0749 0.5543 -1.6820 -0.5437;n -0.3625 -0.0724 -0.6463 -0.2859;n 0.1425 0.0279 -0.5406 -0.7660;n%wi=0.50*rands(H,IN);nwi_1=wi;wi_2=w

34、i;wi_3=wi;nwo=0.7576 0.2616 0.5820-0.1416-0.1325;n -0.1146 0.2949 0.8352 0.2205 0.4508;n 0.7201 0.4566 0.7672 0.4962 0.3632;n%wo=0.50*rands(Out,H);nwo_1=wo;wo_2=wo;wo_3=wo;nend第44页，讲稿共63张，创作于星期二45nif S=2%Sine Signalnwi=-0.2846 0.2193 -0.5097 -1.0668;n -0.7484 -0.1210 -0.4708 0.0988;n -0.7176 0.8297

35、-1.6000 0.2049;n -0.0858 0.1925 -0.6346 0.0347;n 0.4358 0.2369 -0.4564 -0.1324;n%wi=0.50*rands(H,IN);nwi_1=wi;wi_2=wi;wi_3=wi;nwo=1.0438 0.5478 0.8682 0.1446 0.1537;n 0.1716 0.5811 1.1214 0.5067 0.7370;n 1.0063 0.7428 1.0534 0.7824 0.6494;n%wo=0.50*rands(Out,H);nwo_1=wo;wo_2=wo;wo_3=wo;nend nx=0,0,0

36、;ndu_1=0;nu_1=0;u_2=0;u_3=0;u_4=0;u_5=0;ny_1=0;y_2=0;y_3=0;nOh=zeros(H,1);%Output from NN middle layernI=Oh;%Input to NN middle layernerror_2=0;nerror_1=0;第45页，讲稿共63张，创作于星期二46nts=0.001;nfor k=1:1:6000ntime(k)=k*ts;nif S=1n rin(k)=1.0;nelseif S=2n rin(k)=sin(1*2*pi*k*ts);nend n%Unlinear modelna(k)=1.

37、2*(1-0.8*exp(-0.1*k);nyout(k)=a(k)*y_1/(1+y_12)+u_1;nerror(k)=rin(k)-yout(k);nxi=rin(k),yout(k),error(k),1;nx(1)=error(k)-error_1;nx(2)=error(k);nx(3)=error(k)-2*error_1+error_2;nepid=x(1);x(2);x(3);nI=xi*wi;nfor j=1:1:Hn Oh(j)=(exp(I(j)-exp(-I(j)/(exp(I(j)+exp(-I(j);%Middle Layernend第46页，讲稿共63张，创作于

38、星期二47nK=wo*Oh;%Output Layernfor l=1:1:Outn K(l)=exp(K(l)/(exp(K(l)+exp(-K(l);%Getting kp,ki,kdnendnkp(k)=K(1);ki(k)=K(2);kd(k)=K(3);nKpid=kp(k),ki(k),kd(k);ndu(k)=Kpid*epid;nu(k)=u_1+du(k);ndyu(k)=sign(yout(k)-y_1)/(du(k)-du_1+0.0001);n%Output layernfor j=1:1:Outn dK(j)=2/(exp(K(j)+exp(-K(j)2;nendnf

39、or l=1:1:Outn delta3(l)=error(k)*dyu(k)*epid(l)*dK(l);nend nfor l=1:1:Outn for i=1:1:Hn d_wo=xite*delta3(l)*Oh(i)+alfa*(wo_1-wo_2);n endnendn wo=wo_1+d_wo+alfa*(wo_1-wo_2);n%Hidden layer第47页，讲稿共63张，创作于星期二48nfor i=1:1:Hn dO(i)=4/(exp(I(i)+exp(-I(i)2;nendn segma=delta3*wo;nfor i=1:1:Hn delta2(i)=dO(i)

40、*segma(i);nEndnd_wi=xite*delta2*xi;nwi=wi_1+d_wi+alfa*(wi_1-wi_2);n%Parameters Updatendu_1=du(k);nu_5=u_4;u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);ny_2=y_1;y_1=yout(k);nwo_3=wo_2;nwo_2=wo_1;nwo_1=wo;nwi_3=wi_2;nwi_2=wi_1;nwi_1=wi;nerror_2=error_1;nerror_1=error(k);nend第48页，讲稿共63张，创作于星期二49nfigure(1);nplot(ti

41、me,rin,r,time,yout,b);nxlabel(time(s);ylabel(rin,yout);nfigure(2);nplot(time,error,r);nxlabel(time(s);ylabel(error);nfigure(3);nplot(time,u,r);nxlabel(time(s);ylabel(u);nfigure(4);nsubplot(311);nplot(time,kp,r);nxlabel(time(s);ylabel(kp);nsubplot(312);nplot(time,ki,g);nxlabel(time(s);ylabel(ki);nsub

42、plot(313);nplot(time,kd,b);nxlabel(time(s);ylabel(kd);第49页，讲稿共63张，创作于星期二50三、三、内模控制内模控制(Internal Model Control，简称，简称IMC)适用于纯滞后、多变量及适用于纯滞后、多变量及非线性系统，结构如下：非线性系统，结构如下：3.3 神经网络控制神经网络控制3.3.3神经网络内模控制神经网络内模控制 3.3.3.1 内模控制内模控制 第50页，讲稿共63张，创作于星期二513.3 神经网络控制神经网络控制3.3.3神经网络内模控制神经网络内模控制 3.3.3.1 内模控制内模控制 第51页，讲稿

43、共63张，创作于星期二52-d yu -f r +滤波器滤波器NNC()对象对象NNI()3.3 神经网络控制神经网络控制3.3.3神经网络内模控制神经网络内模控制 3.3.3.2 神经网络内模控制神经网络内模控制 第52页，讲稿共63张，创作于星期二53逆模型的辨识逆模型的辨识3.3 神经网络控制神经网络控制3.3.3神经网络内模控制神经网络内模控制 3.3.3.2 神经网络内模控制神经网络内模控制 第53页，讲稿共63张，创作于星期二543.3 神经网络控制神经网络控制3.3.3.3 神经网络内模控制举例神经网络内模控制举例石灰窑炉示意图石灰窑炉示意图 1.石灰窑炉的生产过程简介石灰窑炉的

44、生产过程简介第54页，讲稿共63张，创作于星期二553.3 神经网络控制神经网络控制3.3.3.3 神经网络内模控制举例神经网络内模控制举例2.石灰窑的神经网络模型石灰窑的神经网络模型石石灰灰窑窑炉炉的的神神经经网网络络辨辨识识模模型型 第55页，讲稿共63张，创作于星期二563.3 神经网络控制神经网络控制3.3.3.3 神经网络内模控制举例神经网络内模控制举例3.基于神经网络的石灰窑内模控制方案基于神经网络的石灰窑内模控制方案第56页，讲稿共63张，创作于星期二57石灰窑炉逆模型训练示意图石灰窑炉逆模型训练示意图 第57页，讲稿共63张，创作于星期二583.3 神经网络控制神经网络控制3.

45、3.3.4 单神经元自适应控制单神经元自适应控制举例举例单神经元自适应控制的结构单神经网络控制器单神经网络控制器第58页，讲稿共63张，创作于星期二59 单单神神经经元元自自适适应应控控制制器器是是通通过过对对加加权权系系数数的的调调整整来来实实现现自适应、自组织功能，控制算法为自适应、自组织功能，控制算法为 如如果果权权系系数数的的调调整整按按有有监监督督的的HebbHebb学学习习规规则则实实现现，即即在在学学习习算法中加入监督项算法中加入监督项 ，则神经网络权值学习算法为：，则神经网络权值学习算法为：式中式中:为学习速率，为学习速率，为神经元的比例系数，为神经元的比例系数，。第59页，讲

46、稿共63张，创作于星期二60 值值的的选选择择非非常常重重要要。越越大大，则则快快速速性性越越好好，但但超超调调量量大大，甚甚至至可可能能使使系系统统不不稳稳定定。当当被被控控对对象象时时延延增增大大时时，值值必必须须减减少少，以保证系统稳定。以保证系统稳定。值选择过小，会使系统的快速性变差。值选择过小，会使系统的快速性变差。第60页，讲稿共63张，创作于星期二61 输入指令为一方波信号输入指令为一方波信号 采样时间为采样时间为1ms1ms，采用单神经元自适应控制律进行控制。，采用单神经元自适应控制律进行控制。仿真实例 被控对象为被控对象为第61页，讲稿共63张，创作于星期二62第62页，讲稿共63张，创作于星期二感感谢谢大大家家观观看看第63页，讲稿共63张，创作于星期二