第9章智能控制理论 (2)优秀课件.ppt

《第9章智能控制理论 (2)优秀课件.ppt》由会员分享，可在线阅读，更多相关《第9章智能控制理论 (2)优秀课件.ppt（63页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第9章智能控制理论第1页，本讲稿共63页 从控制角度来看，神经网络用于控制的优越性主要表现为：（1）神经网络可以处理那些难以用模型或规则描述的对象；（2）神经网络采用并行分布式信息处理方式，具有很强的容错性；（3）神经网络在本质上是非线性系统，可以实现任意非线性映射。神经网络在非线性控制系统中具有很大的发展前途；第2页，本讲稿共63页（4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题；（5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段，为神经网络在控制中的应用开辟了广阔的前景。第3页，

2、本讲稿共63页神经网络控制所取得的进展为：神经网络控制所取得的进展为：(1)基基于于神神经经网网络络的的系系统统辨辨识识：可可在在已已知知常常规规模模型型结结构构的的情情况况下下，估估计计模模型型的的参参数数；或或利利用用神神经经网网络络的的线线性性、非非线线性性特特性性，建建立线性、非线性系统的静态、动态、逆动态及预测模型；立线性、非线性系统的静态、动态、逆动态及预测模型；(2)神神经经网网络络控控制制器器：神神经经网网络络作作为为控控制制器器，可可实实现现对对不不确确定定系系统统或或未未知知系系统统进进行行有有效效的的控控制制，使使控控制制系系统统达达到到所要求的动态、静态特性；所要求的动

3、态、静态特性；(3)神神经经网网络络与与其其他他算算法法相相结结合合：神神经经网网络络与与专专家家系系统统、模模糊糊逻辑、遗传算法等相结合可构成新型控制器；逻辑、遗传算法等相结合可构成新型控制器；第4页，本讲稿共63页(4)优优化化计计算算：在在常常规规控控制制系系统统的的设设计计中中，常常遇遇到到求求解解约约束束优优化化问问题题，神神经经网网络络为为这这类类问问题题提供了有效的途径；提供了有效的途径；(5)控控制制系系统统的的故故障障诊诊断断：利利用用神神经经网网络络的的逼逼近近特特性性，可可对对控控制制系系统统的的各各种种故故障障进进行行模模式式识识别，从而实现控制系统的故障诊断。别，从而

4、实现控制系统的故障诊断。第5页，本讲稿共63页神神经经网网络络控控制制在在理理论论和和实实践践上上，以以下下问问题题是研究的重点：是研究的重点：(1)神经网络的稳定性与收敛性问题；神经网络的稳定性与收敛性问题；(2)神经网络控制系统的稳定性与收敛性问题；神经网络控制系统的稳定性与收敛性问题；(3)神经网络学习算法的实时性；神经网络学习算法的实时性；(4)神经网络控制器和辨识器的模型和结构；神经网络控制器和辨识器的模型和结构；第6页，本讲稿共63页 根据神经网络在控制器中的作用不同，神经网络控制器可分为两类，一类为神经控制，它是以神经网络为基础而形成的独立智能控制系统；另一类为混合神经网络控制，

5、它是指利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等。综合目前的各种分类方法，可将神经网络控制的结构归结为以下七类。9.2 神经网络控制结构 第7页，本讲稿共63页9.2.1 9.2.1 神经网络监督控制神经网络监督控制 通通过过对对传传统统控控制制器器进进行行学学习习，然然后后用用神神经经网网络络控控制制器器逐逐渐渐取取代代传传统统控控制制器器的的方方法法，称称为为神神经经网网络络监监督督控控制制。神神经经网网络络监监督督控控制制的结构如图的结构如图9-19-1所示。所示。第8页，本讲稿共63页图9-1 神经网络监督控制 第9页，本讲稿共63页神神经经网网络络

6、控控制制器器实实际际上上是是一一个个前前馈馈控控制制器器，它它建建立立的的是是被被控控对对象象的的逆逆模模型型。神神经经网网络络控控制制器器通通过过对对传传统统控控制制器器的的输输出出进进行行学学习习，在在线线调调整整网网络络的的权权值值，使使反反馈馈控控制制输输入入趋趋近近于于零零，从从而而使使神神经经网网络络控控制制器器逐逐渐渐在在控控制制作作用用中中占占据据主主导导地地位位，最最终终取取消消反反馈馈控控制制器器的的作作用用。一一旦旦系系统统出出现现干干扰扰，反反馈馈控控制制器器重重新新起起作作用用。这这种种前前馈馈加加反反馈馈的的监监督督控控制制方方法法，不不仅仅可可以以确确保保控控制制

7、系系统统的的稳稳定定性性和和鲁鲁棒棒性性，而且可有效地提高系统的精度和自适应能力。而且可有效地提高系统的精度和自适应能力。第10页，本讲稿共63页9.2.29.2.2神经网络直接逆动态控制神经网络直接逆动态控制神经网络直接逆动态控制神经网络直接逆动态控制 神神神神经经经经网网网网络络络络直直直直接接接接逆逆逆逆控控控控制制制制就就就就是是是是将将将将被被被被控控控控对对对对象象象象的的的的神神神神经经经经网网网网络络络络逆逆逆逆模模模模型型型型直直直直接接接接与与与与被被被被控控控控对对对对象象象象串串串串联联联联起起起起来来来来，以以以以便便便便使使使使期期期期望望望望输输输输出出出出与与与

8、与对对对对象象象象实实实实际际际际输输输输出出出出之之之之间间间间的的的的传传传传递递递递函函函函数数数数为为为为1 1 1 1。则则则则将将将将此此此此网网网网络络络络作作作作为为为为前前前前馈馈馈馈控控控控制制制制器器器器后后后后，被控对象的输出为期望输出。被控对象的输出为期望输出。被控对象的输出为期望输出。被控对象的输出为期望输出。显显显显然然然然，神神神神经经经经网网网网络络络络直直直直接接接接逆逆逆逆控控控控制制制制的的的的可可可可用用用用性性性性在在在在相相相相当当当当程程程程度度度度上上上上取取取取决决决决于于于于逆逆逆逆模模模模型型型型的的的的准准准准确确确确精精精精度度度度。

9、由由由由于于于于缺缺缺缺乏乏乏乏反反反反馈馈馈馈，简简简简单单单单连连连连接接接接的的的的直直直直接接接接逆逆逆逆控控控控制制制制缺缺缺缺乏乏乏乏鲁鲁鲁鲁棒棒棒棒性性性性。为为为为此此此此，一一一一般般般般应应应应使使使使其其其其具具具具有有有有在在在在线线线线学学学学习习习习能能能能力力力力，即即即即作作作作为为为为逆模型的神经网络连接权能够在线调整。逆模型的神经网络连接权能够在线调整。逆模型的神经网络连接权能够在线调整。逆模型的神经网络连接权能够在线调整。第11页，本讲稿共63页 图9-2为神经网络直接逆控制的两种结构方案。在图9-2(a)中，NN1和NN2为具有完全相同的网络结构，并采用

10、相同的学习算法，分别实现对象的逆。在图9-2(b)中，神经网络NN通过评价函数进行学习，实现对象的逆控制。第12页，本讲稿共63页（a）第13页，本讲稿共63页图图9-2 9-2 神经网络直接逆控制神经网络直接逆控制（b)第14页，本讲稿共63页9.2.3神经网络自适应控制神经网络自适应控制 与传统自适应控制相同，神经网络自适应与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，统正向或逆模型的结果调节控制器内部

11、参数，使系统满足给定的指标，而在模型参考自适应使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。的参考模型来描述。第15页，本讲稿共63页1神经网络自校正控制神经网络自校正控制 神神经经网网络络自自校校正正控控制制分分为为直直接接自自校校正正控控制制和和间间接接自自校校正正控控制制。间间接接自自校校正正控控制制使使用用常常规规控控制制器器，神神经经网网络络估估计计器器需需要要较较高高的的建建模模精精度度。直直接接自自校校正正控控制制同同时时使使用用神神经经网网络络控控制器和神经网络估计器。制器和神经网络估计

12、器。（1 1）神经网络直接自校正控制）神经网络直接自校正控制 在在本本质质上上同同神神经经网网络络直直接接逆逆控控制制，其其结结构如图构如图9-29-2所示。所示。第16页，本讲稿共63页（2 2）神经网络间接自校正控制）神经网络间接自校正控制 其其结结构构如如图图9-39-3所所示示。假假设设被被控控对对象象为为如如下下单变量仿射非线性系统：单变量仿射非线性系统：若若利利用用神神经经网网络络对对非非线线性性函函数数 和和 进进行逼近，得到行逼近，得到 和和 ，则控制器为：，则控制器为：其中其中 为为 时刻的期望输出值。时刻的期望输出值。第17页，本讲稿共63页图9-3 神经网络间接自校正控制

13、第18页，本讲稿共63页2.2.神经网络模型参考自适应控制神经网络模型参考自适应控制 分分为为直直接接模模型型参参考考自自适适应应控控制制和和间间接接模模型型参考自适应控制两种。参考自适应控制两种。（1 1）直接模型参考自适应控制）直接模型参考自适应控制如图如图9-4所示。神经网络控制器的作用是使所示。神经网络控制器的作用是使被控对象与参考模型输出之差为最小。但该方被控对象与参考模型输出之差为最小。但该方法需要知道对象的法需要知道对象的 信息信息 。第19页，本讲稿共63页图9-4 神经网络直接模型参考自适应控制第20页，本讲稿共63页（2）间接模型参考自适应控制 如图9-5所示。神经网络辨识

14、器NNI向神经网络控制器NNC提供对象的信息，用于控制器NNC的学习。第21页，本讲稿共63页图9-5 神经网络间接模型参考自适应控制 第22页，本讲稿共63页9.2.4 9.2.4 神经网络内模控制神经网络内模控制 经经典典的的内内模模控控制制将将被被控控系系统统的的正正向向模模型型和和逆逆模模型型直直接接加加入入反反馈馈回回路路，系系统统的的正正向向模模型型作作为为被被控控对对象象的的近近似似模模型型与与实实际际对对象象并并联联，两两者者输输出出之之差差被被用用作作反反馈馈信信号号，该该反反馈馈信信号号又又经经过过前前向向通通道道的的滤滤波波器器及及控控制制器器进进行行处处理理。控控制制器

15、器直直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。图图9-69-6为为神神经经网网络络内内模模控控制制，被被控控对对象象的的正正向向模模型型及及控控制制器均由神经网络来实现。器均由神经网络来实现。第23页，本讲稿共63页图9-6 神经网络内模控制 第24页，本讲稿共63页9.2.5 9.2.5 神经网络预测控制神经网络预测控制 预预测测控控制制又又称称为为基基于于模模型型的的控控制制，是是7070年年代代后后期期发发展展起起来来的的新新型型计计算算机机控控制制方方法法，该该方方法法的特征是预测模型、滚动优化和反馈校正。的特征是预测模型

16、、滚动优化和反馈校正。神神经经网网络络预预测测控控制制的的结结构构如如图图9-79-7所所示示，神神经经网网络络预预测测器器建建立立了了非非线线性性被被控控对对象象的的预预测测模模型型，并可在线进行学习修正。并可在线进行学习修正。利利用用此此预预测测模模型型，通通过过设设计计优优化化性性能能指指标标，利用非线性优化器可求出优化的控制作用利用非线性优化器可求出优化的控制作用 。第25页，本讲稿共63页图9-7 神经网络预测控制第26页，本讲稿共63页9.2.6 9.2.6 神经网络自适应评判控制神经网络自适应评判控制 神神经经网网络络自自适适应应评评判判控控制制通通常常由由两两个个网网络络组组成

17、成，如如图图9-89-8所所示示。自自适适应应评评判判网网络络通通过过不不断断的的奖奖励励、惩惩罚罚等等再再励励学学习习，使使自自己己逐逐渐渐成成为为一一个个合合格格的的“教教师师”，学学习习完完成成后后，根根据据系系统统目目前前的的状状态态和和外外部部激激励励反反馈馈信信号号产产生生一一个个内内部部再再励励信信号号，以以对对目目前前的的控控制制效效果果作作出出评评价价。控控制制选选择择网网络络相相当当于于一一个个在在内内部部再再励励信信号号指指导导下下进进行行学学习习的的多多层层前前馈馈神神经经网网络络控控制制器器，该该网网络络在在进进行行学学习习后后，根根据据编编码码后后的的系系统统状状态

18、态，在在允允许许控控制制集集中中选选择择下下一一步步的的控制作用。控制作用。第27页，本讲稿共63页图9-8 神经网络自适应评判控制 第28页，本讲稿共63页9.2.7 神经网络混合控制 该控制方法是集成人工智能各分支的优点，由神经网络技术与模糊控制、专家系统等相结合而形成的一种具有很强学习能力的智能控制系统。由神经网络和模糊控制相结合构成模糊神经网络，由神经网络和专家系统相结合构成神经网络专家系统。神经网络混合控制可使控制系统同时具有学习、推理和决策能力。第29页，本讲稿共63页9.3 单单神经元网络控制神经元网络控制9.3.1 单神经元自适应控制算法 单神经元自适应控制的结构如图9-9所示

19、。图9-9 单神经元自适应PID控制结构第30页，本讲稿共63页单神经网络控制器单神经网络控制器第31页，本讲稿共63页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自适适应应、自自组组织织功功能能，控控制制算法为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Hebb学学习习规规则则实实现现，即即在在学学习习算算法法中中加加入入监监督督项项，则神经网络权值学习算法为：则神经网络权值学习算法为：第32页，本讲稿共63页式中，为学习速率，为神经元的比例系数，。第33页，本讲稿共63页 值的选择非常重要。越大，则快速性越好，但超调量大，

20、甚至可能使系统不稳定。当被控对象时延增大时，值必须减少，以保证系统稳定。值选择过小，会使系统的快速性变差。第34页，本讲稿共63页 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1ms，采用单神经元自适应，采用单神经元自适应控制律进行控制。控制律进行控制。仿真程序：仿真程序：chap9_1.m9.3.2 仿真实例 被控对象为被控对象为第35页，本讲稿共63页9.4 RBF网络监督控制9.4.1 RBF网络监督控制算法 基于RBF网络的监督控制系统结构如图9-14所示。第36页，本讲稿共63页图9-14 神经网络监督控制第37页，本讲稿共63页 在RBF网络结构中，取网络的输入为

21、，网络的径向基向量为 ，为高斯基函数：其中 ，为节点 的基宽度参数，为网络第个结点的中心矢量，。第38页，本讲稿共63页网络的权向量为：网络的权向量为：RBFRBF网络的输出为：网络的输出为：其中其中 为为RBFRBF网络隐层神经元的个数。网络隐层神经元的个数。控制律为：第39页，本讲稿共63页设神经网络调整的性能指标为：采用梯度下降法调整网络的权值：采用梯度下降法调整网络的权值：近似地取由此所产生的不精确通过权值调节来补偿。第40页，本讲稿共63页神经网络权值的调整过程为：其中 为学习速率，为动量因子。则第41页，本讲稿共63页9.4.2 9.4.2 仿真实例仿真实例被控对象为：被控对象为：

22、RBF网络监督控制程序为chap9_2.m 第42页，本讲稿共63页9.5 RBF网络自校正控制9.5.1 9.5.1 神经网络自校正控制原理神经网络自校正控制原理自自校校正正控控制制有有两两种种结结构构：直直接接型型与与间间接接型型。直直接接型型自自校校正正控控制制也也称称直直接接逆逆动动态态控控制制，是是前前馈馈控控制制。间间接接自自校校正正控控制制是是一一种种由由辨辨识识器器将将对对象象参参数数进进行行在在线线估估计计，用用调调节节器器（或或控控制制器器）实实现现参参数数的的自自动动整整定定相相结结合合的的自自适适应应控控制制技技术术，可可用用于于结结构构已已知知而而参参数数未未知知但但

23、恒恒定定的的随随机机系系统统，也也可可用用于于结构已知而参数缓慢时变的随机系统。结构已知而参数缓慢时变的随机系统。第43页，本讲稿共63页 神经间接自校正控制结构如图9-17所示，它由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路。（2）神经网络辩识器与控制器设计，以得到控制器的参数。辩识器与自校正控制器的在线设计是自校正控制实现的关键。第44页，本讲稿共63页图9-17 神经网络间接自校正控制框图控制器设计控制器设计控制器设计控制器设计 神神神神 经经经经 网网网网 络络络络辩辩辩辩 识识识识 器器器器自校正自校正自校正自校正控控控控 制制制制 器器器器被被被被 控控控控对对对对

24、象象象象 第45页，本讲稿共63页9.5.2 自校正控制算法 考虑被控对象：其中 ，分别为对象的输入、输出，为非零函数。若若，已已知知，根根据据“确确定定性性等等价价原原则则”，控制器的控制算法为：控制器的控制算法为：第46页，本讲稿共63页若若若若，未知，则通过在线训练神经网络辨识未知，则通过在线训练神经网络辨识未知，则通过在线训练神经网络辨识未知，则通过在线训练神经网络辨识器，由辨识器结果器，由辨识器结果器，由辨识器结果器，由辨识器结果、代替代替代替代替、，控，控，控，控制器的控制算法为：制器的控制算法为：制器的控制算法为：制器的控制算法为：第47页，本讲稿共63页9.5.3 RBF9.5

25、.3 RBF网络自校正控制算法网络自校正控制算法采采用用两两个个RBF网网络络分分别别实实现现未未知知项项、的的辨识。辨识。RBF网络辨识器的结构如图网络辨识器的结构如图9-18所示，所示，和和分别为两个神经网络的权值向量。分别为两个神经网络的权值向量。第48页，本讲稿共63页图9-18 神经网络辨识器 第49页，本讲稿共63页 在RBF网络结构中，取网络的输入为 ，网络的径向基向量为 ，为高斯基函数：其中 。为节点 的基宽度参数，为网络第 个结点的中心矢量，。第50页，本讲稿共63页两个两个RBF网络的输出分别为：网络的输出分别为：辨识后，对象的输出为：其中 为RBF网络隐层神经元的个数。网

26、络的权向量为：第51页，本讲稿共63页采用梯度下降法调整网络的权值：采用梯度下降法调整网络的权值：设神经网络调整的性能指标为：第52页，本讲稿共63页 神经网络自校正控制系统的结构如图9-19所示。神经网络权值的调整过程为：其中 和 为学习速率，为动量因子。第53页，本讲稿共63页图9-19 神经网络自校正控制框图 第54页，本讲稿共63页9.5.4仿真实例仿真实例被控对象为：被控对象为：其中其中 ，。RBF网络自校正控制程序为chap9_3.m。第55页，本讲稿共63页9.6 基于RBF网络直接模型参考自适应控制9.6.1 基于RBF网络的控制器设计 控制系统的结构如图9-23所示。设参考模

27、型输出为 ，控制系统要求对象的输出 能够跟踪参考模型的输出 。则跟踪误差为：则跟踪误差为：第56页，本讲稿共63页图9-23 基于RBF网络的直接模型参考自适应控制第57页，本讲稿共63页指标函数为：控制器为RBF网络的输出：其中 为RBF网络隐层神经元的个数，为第 个网络隐层神经元与输出层之间的连接权，为第个 隐层神经元的输出。第58页，本讲稿共63页在RBF网络结构中，为网络的输入向量。RBF网络的径向基向量为 ，为高斯基函数：其中 ，为节点 的基宽度参数，为网络第 个结点的中心矢量，。第59页，本讲稿共63页网络的权向量为：网络的权向量为：按按梯梯度度下下降降法法及及链链式式法法则则，可

28、可得得权权值值的的学学习算法如下：习算法如下：其中其中为学习速率，为学习速率，为动量因子。为动量因子。第60页，本讲稿共63页同理，可得RBF网络隐层神经元的高斯函数的中心参数及基宽的学习算法如下：第61页，本讲稿共63页 在学习算法中，称为 信息，表示系统的输出对控制输入的敏感性，其值可由神经网络辨识而得。在神经网络算法中，对 值的精确度要求不是很高，不精确部分可通过网络参数及权值的调整来修正，关键是其符号，因此可用 的正负号来代替，这样可使算法更加简单。第62页，本讲稿共63页9.6.2 仿真实例 被控对象为一非线性模型：取取 采采 样样 周周 期期 为为 ，参参 考考 模模 型型 为为 ，其中，其中为正弦信号，为正弦信号，。RBF网络直接模型参考自适应控制程序为chap9_4.m 第63页，本讲稿共63页