智能控制技术分析解析优秀PPT.ppt

《智能控制技术分析解析优秀PPT.ppt》由会员分享，可在线阅读，更多相关《智能控制技术分析解析优秀PPT.ppt（41页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、神经网络限制神经网络限制2神经网络辨识基础神经网络辨识基础 所谓系统辨识，就是依据系统的输入所谓系统辨识，就是依据系统的输入和输出和输出数据，在指定的一类系统中选择一个系统，数据，在指定的一类系统中选择一个系统，这这个系统和所探讨的实际系统等价。个系统和所探讨的实际系统等价。6.2 神经网络辨识由于事实上不行能找到一个与实际系统完全等价的模型。因此，从好用角度看，辨识就是从一组模型中选择一个模型，依据某种准则，使之能最好的拟合所关切的实际系统动态或静态特性。36.3 神经网络辨识神经网络对非线性函数具有随意靠近和自学习实力，为系神经网络对非线性函数具有随意靠近和自学习实力，为系统的辨识，尤其是

2、非线性动态系统的辨识供应了一条特别统的辨识，尤其是非线性动态系统的辨识供应了一条特别有效的途径。有效的途径。神经网络系统辨识实质上是从神经网络模型中选择一个神经网络系统辨识实质上是从神经网络模型中选择一个适当的模型来靠近实际系统的数学模型。适当的模型来靠近实际系统的数学模型。神经网络系统通过干脆学习输入输出数据，使所要求的神经网络系统通过干脆学习输入输出数据，使所要求的误差函数达到最小，来归纳出隐含在系统的输入输出数误差函数达到最小，来归纳出隐含在系统的输入输出数据中的关系。据中的关系。46.3 神经网络辨识靠近理论是一种经典的数学方法。多项式函数和其它靠靠近理论是一种经典的数学方法。多项式函

3、数和其它靠近方法都可以靠近随意的非线性函数。但由于其学习实近方法都可以靠近随意的非线性函数。但由于其学习实力和并行处理实力不及神经网络，从而使得神经网络的力和并行处理实力不及神经网络，从而使得神经网络的靠近理论探讨得到快速发展。靠近理论探讨得到快速发展。56.3 神经网络辨识u神经网络系统辨识的原理神经网络系统辨识的原理 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态态u、y看作神经网络的训练样本数据，以看作神经网络的训练样本数据，以J=e2/2作为网络训练的目标，作为网络训练的目标，则通过用确定的训练算法来训练网

4、络，使则通过用确定的训练算法来训练网络，使J足够小，就可以达到辨识对象足够小，就可以达到辨识对象模型的目的。模型的目的。系统辨识的原理系统辨识的原理：给对象系统辨识的原理：给对象和辨识模型施加相同的输和辨识模型施加相同的输入，得到对象的输出入，得到对象的输出y和模和模型的输出型的输出 ，通过调整辨，通过调整辨识模型的结构来使对象的识模型的结构来使对象的输出输出y和模型的输出和模型的输出 之之间的误差最小。间的误差最小。66.3 神经网络辨识u与传统基于算法的系统辨识方法一样，神经网络辨识与传统基于算法的系统辨识方法一样，神经网络辨识同样也需首先考虑以下三大因素。同样也需首先考虑以下三大因素。1

5、.模型的选择模型的选择2.模型只是在某种意义下实际系统的一模型只是在某种意义下实际系统的一种近似描述，它的确定种近似描述，它的确定3.要兼顾其精确性和困难性。因为如要求要兼顾其精确性和困难性。因为如要求模型越精确，模型就会模型越精确，模型就会4.变的越困难，相反假如适当降低模型精变的越困难，相反假如适当降低模型精度要求，只考虑主要因度要求，只考虑主要因5.素而忽视次要因素，模型就可以简洁些。素而忽视次要因素，模型就可以简洁些。所以在建立实际系统所以在建立实际系统6.模型时，存在着精确性和困难性这一对模型时，存在着精确性和困难性这一对冲突。在神经网络辨识冲突。在神经网络辨识7.这一问题上主要表现

6、为网络隐含层数的这一问题上主要表现为网络隐含层数的选择和隐含层内节点数选择和隐含层内节点数8.的选择。由于神经网络隐含节点的最佳的选择。由于神经网络隐含节点的最佳选择目前还缺乏理论上选择目前还缺乏理论上9.的指导，因此实现这一折中方案的唯一的指导，因此实现这一折中方案的唯一途径是通过多次仿真实途径是通过多次仿真实10.验来达到。验来达到。76.3 神经网络辨识2.输入信号的选择输入信号的选择3.为了能够精确有效的对未知系统进行辨识，为了能够精确有效的对未知系统进行辨识，输入信输入信4.号必需满足确定的条件。从时域上来看，要号必需满足确定的条件。从时域上来看，要求系统的求系统的5.动态过程在辨识

7、时间内必需被输入信号持续动态过程在辨识时间内必需被输入信号持续激励，即激励，即6.输入信号必需充分激励系统的全部模态；从输入信号必需充分激励系统的全部模态；从频域来频域来7.看，要求输入信号的频谱必需足以覆盖系统看，要求输入信号的频谱必需足以覆盖系统的频谱。的频谱。8.通常在神经网络辨识中可选用白噪声或伪随通常在神经网络辨识中可选用白噪声或伪随机信号作机信号作9.为系统的输入信号。对于实际运行系统而言，为系统的输入信号。对于实际运行系统而言，选择测选择测10.试信号需考虑对系统平安运行的影响。试信号需考虑对系统平安运行的影响。86.3 神经网络辨识3.误差准则的选择误差准则的选择 误差准则是用

8、来衡量模型接近实际系统的误差准则是用来衡量模型接近实际系统的标准标准。它。它通常表示为一个误差的泛函，记作通常表示为一个误差的泛函，记作其中 是误差适量e(k)的函数，用得最多的是平方函数，即这里的误差e(k)是广义误差，即既可以表示输出误差又可以表示输入误差甚至是两种误差函数的合成。96.2 神经网络辨识与传统辨识方法不同，神经网络辨识具有以下五个特点与传统辨识方法不同，神经网络辨识具有以下五个特点1.不要求建立实际系统的辨识格式。因为神经网络本质上已作不要求建立实际系统的辨识格式。因为神经网络本质上已作为一种辨识模型，其可调参数反映在网络内部的权值上。为一种辨识模型，其可调参数反映在网络内

9、部的权值上。2.可以对本质非线性系统进行辨识，而且辨识是通过在网络外部可以对本质非线性系统进行辨识，而且辨识是通过在网络外部拟合系统的输入输出，网络内部隐含着系统的特性。因此这种拟合系统的输入输出，网络内部隐含着系统的特性。因此这种辨识是由神经网络本身实现的，是非算法式的。辨识是由神经网络本身实现的，是非算法式的。3.辨识的收敛速度不依靠于待辨识系统的维数，只与神经网络本辨识的收敛速度不依靠于待辨识系统的维数，只与神经网络本身及其所接受的学习算法有关，传统的辨识方法随模型参数维身及其所接受的学习算法有关，传统的辨识方法随模型参数维数的增大而变得很困难。数的增大而变得很困难。4.由于神经网络具有

10、大量的连接，这些连接之间的权值在辨识中由于神经网络具有大量的连接，这些连接之间的权值在辨识中对应于模型参数，通过调整这些权值使网络输出靠近系统输出。对应于模型参数，通过调整这些权值使网络输出靠近系统输出。5.神经网络作为实际系统的辨识模型，事实上也是系统的一个物神经网络作为实际系统的辨识模型，事实上也是系统的一个物理实现，可以用于在线限制。理实现，可以用于在线限制。6.3 神经网络自适应限制 构造一个参考模型，使其输出为期望输出，限制的目的是使y跟踪r。神经网络自适应限制构造一个参考模型，使其输出为期望输出，限制的目的，是使y跟踪r。对象特性非线性、不确定、不确知时接受。神经网络自适应限制6.

11、4 神经网络神经网络PID限制限制尽管神经网络限制技术有很多潜在的优势，但单纯运用神经网络的限制方法的探讨仍有待进一步发展。通常将人工神经网络技术与传统的限制理论或智能技术综合运用。神经网络在限制中的作用有以下几种：1在传统的限制系统中用以动态系统建模，充当对象模型；2在反馈限制系统中干脆充当限制器的作用；3在传统限制系统中起优化计算作用；4与其他智能限制方法如模糊逻辑、遗传算法、专家限制等相融合。3.4.1 基于BP神经网络限制参数自学习PID限制 BP神经网络具有靠近随意非线性函数的实力，而且结构和学习算法简洁明确。通过神经网络自身的学习，可以找到某一最优限制律下的P，I，D参数。基于BP

12、神经网络的PD限制系统结构如图所示，限制器由两个部分组成：经典的PID限制器：干脆对被控对象进行闭环限制，并且KP,KI,KD三个参数为在线整定；神经网络NN：依据系统的运行状态，调整PID限制器的参数，以期达到某种性能指标的最优化。即使输出层神经元的输出状态对应于PID限制器的三个可调参数KP,KI,KD，通过神经网络的自学习、调整权系数，从而使其稳定状态对应于某种最优限制律下的PID限制器参数。基于BP神经网络的PID限制算法可归纳如下：1).事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率和平滑因

13、子，k=1；2).采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3).对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入；4).前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID限制器的三个可调参数KP(k),KI(k),KD(k)；5).计算PID限制器的限制输出u(k)，参与限制和计算；6).计算修正输出层的权系数w(3)li(k)；7).计算修正隐含层的权系数w(2)ij(k)；8).置k=k+1，返回到“2）”。3.4.2 改进型BP神经网络限制参数自学习PID限制将神经网络用于限制器的设计或干脆学习计算限制器的输出（限制

14、量），一般都要用到系统的预料输出值或其变更量来计算权系数的修正量。但事实上，系统的预料输出值是不易干脆测得的，通常的做法是建立被控对象的预料数学模型，用该模型所计算的预料输出来取代预料处的实测值，以提高限制效果。1接受线性预料模型的BP神经网络PID限制器 接受线性预料模型的接受线性预料模型的BP神经网络神经网络PID限制系统算法归纳如下：限制系统算法归纳如下：1).事先选定事先选定BP神经网络神经网络NN的结构，即选定输入层节点数的结构，即选定输入层节点数M和隐含层节点数和隐含层节点数Q，并给出权系数的初值，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率，选定学习速率

15、和平滑因子和平滑因子，k=1；2).用线性系统辨识法估计出参数矢量用线性系统辨识法估计出参数矢量(k)，从而形成一步，从而形成一步预报模型式；预报模型式；3).采样得到采样得到r(k)和和y(k)，计算，计算e(k)=z(k)=r(k)-y(k)；4).对对r(i),y(i),u(i-1),e(i)进行归一化处理，作为进行归一化处理，作为NN的输入；的输入；5).前向计算前向计算NN的各层神经元的输入和输出，的各层神经元的输入和输出，NN输出层的输出层的输出即为输出即为PID限制器的三个可调参数限制器的三个可调参数KP(k),KI(k),KD(k)；6).计算计算PID限制器的限制输出限制器的

16、限制输出u(k)，参与限制和计算；，参与限制和计算；7).计算计算 和和 ；8).计算修正输出层的权系数计算修正输出层的权系数w(3)li(k)；9).计算修正隐含层的权系数计算修正隐含层的权系数w(2)ij(k)；10).置置k=k+1，返回到，返回到“2）”。2接受非线性预料模型的BP神经网络PID限制器基于BP神经网络的PID限制算法可归纳如下：1).事先选定BP神经网络NN的结构，即选定输入层节点数M和隐含层节点数Q，并给出权系数的初值w(2)ij(0),w(3)li(0)，选定学习速率和平滑因子，k=1；2).采样得到r(k)和y(k)，计算e(k)=z(k)=r(k)-y(k)；3

17、).对r(i),y(i),u(i-1),e(i)进行归一化处理，作为NN的输入；4).前向计算NN的各层神经元的输入和输出，NN输出层的输出即为PID限制器的三个可调参数KP(k),KI(k),KD(k)；5).计算PID限制器的限制输出u(k)，参与限制和计算；6).前向计算NNM的各层神经元的输入和输出，NNM的输出为 ，计算修正隐含层和输出层的权系数；7).计算 ；8).计算修正输出层的权系数w(3)li(k)；9).计算修正隐含层的权系数w(2)ij(k)；10).置k=k+1，返回到“2）”。单神经元自适应限制系统结构学习算法系统对象：仿真示例系统输入：MATLAB程序%Single

18、 Neural Adaptive Controllerclear all;close all;x=0,0,0;xiteP=0.40;xiteI=0.35;xiteD=0.40;%Initilizing kp,ki and kdwkp_1=0.10;wki_1=0.10;wkd_1=0.10;%wkp_1=rand;%wki_1=rand;%wkd_1=rand;error_1=0;error_2=0;y_1=0;y_2=0;y_3=0;u_1=0;u_2=0;u_3=0;ts=0.001;for k=1:1:1000 time(k)=k*ts;rin(k)=0.5*sign(sin(2*2*p

19、i*k*ts);yout(k)=0.368*y_1+0.26*y_2+0.1*u_1+0.632*u_2;error(k)=rin(k)-yout(k);%Adjusting Weight Value by hebb learning algorithmM=4;if M=1%No Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*u_1*x(1);%P wki(k)=wki_1+xiteI*u_1*x(2);%I wkd(k)=wkd_1+xiteD*u_1*x(3);%D K=0.06;elseif M=2%Supervised Del

20、ta learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1;%P wki(k)=wki_1+xiteI*error(k)*u_1;%I wkd(k)=wkd_1+xiteD*error(k)*u_1;%DK=0.12;elseif M=3%Supervised Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*x(1);%P wki(k)=wki_1+xiteI*error(k)*u_1*x(2);%I wkd(k)=wkd_1+xiteD*error(k)*u_1*x(3);%D K=

21、0.12;elseif M=4%Improved Heb learning algorithm wkp(k)=wkp_1+xiteP*error(k)*u_1*(2*error(k)-error_1);wki(k)=wki_1+xiteI*error(k)*u_1*(2*error(k)-error_1);wkd(k)=wkd_1+xiteD*error(k)*u_1*(2*error(k)-error_1);K=0.12;endx(1)=error(k)-error_1;%P x(2)=error(k);%I x(3)=error(k)-2*error_1+error_2;%D wadd(k

22、)=abs(wkp(k)+abs(wki(k)+abs(wkd(k);w11(k)=wkp(k)/wadd(k);w22(k)=wki(k)/wadd(k);w33(k)=wkd(k)/wadd(k);w=w11(k),w22(k),w33(k);u(k)=u_1+K*w*x;%Control lawif u(k)10 u(k)=10;endif u(k)-10 u(k)=-10;enderror_2=error_1;error_1=error(k);u_3=u_2;u_2=u_1;u_1=u(k);y_3=y_2;y_2=y_1;y_1=yout(k);wkp_1=wkp(k);wkd_1=

23、wkd(k);wki_1=wki(k);endfigure(1);plot(time,rin,b,time,yout,r);xlabel(time(s);ylabel(rin,yout);figure(2);plot(time,error,r);xlabel(time(s);ylabel(error);figure(3);plot(time,u,r);xlabel(time(s);ylabel(u);假设系统第k+1 个采样时刻的期望输出值为d k+1,则变学习因子自适应神经网络限制系统考虑到实际系统的制约,对限制量u 加了限幅处理,N 1 为一BP 网络,g 为比例环节。假如f 对u 为非线

24、性的,则g 亦为BP 网络。学习算法学习算法为了对网络权值进行在线学习,取输出偏差并定义学习误差式中 为网络输出的对象输出预料值,yk+1 为对象实际输出值。则于是由梯度法得到权值调整规则为假如P 含有纯滞后为T d=L T 的滞后环节时,相应的权值调整规则为在实际应用中,可以先估计一个滞后时间。运行时,假如在第L+1 个采样时刻检测到第一个非零的零状态响应,则可认为纯滞后时间为L T学习因子的选择学习因子的选择 学习因子的选择对系统性能有较大影响学习因子的选择对系统性能有较大影响,假如假如学习速率过小学习速率过小,学习过程收敛缓慢学习过程收敛缓慢,必将影响到限必将影响到限制的实时性制的实时性;假如学习速率过大假如学习速率过大,则又会影响到学则又会影响到学习的收敛性。接受变学习因子的方法习的收敛性。接受变学习因子的方法,在学习过程在学习过程中自动调整学习因子中自动调整学习因子,取得了较好的效果。取得了较好的效果。事实上,假设W0 为志向的权值这时有E k+1(W0)=0,将E 在W处作Taylo r 绽开: