智能控制第六章 基于神经网络的智能控制

6.4 神经网络控制系统的应用
2. 控制器设计 图6-19 表示用力矩计算法的控制器。
6.4 神经网络控制系统的应用
图6-20 表示具有神经网络力矩计算法的控制器。
6.4 神经网络控制系统的应用
3. 控制系统的实现 图6-21为实现神经元网络补偿器训练信号的控制系 统。
6.4 神经网络控制系统的应用
1. 参数估计自适应控制系统
神经网络参数估计自适应控制系统利用神经网络的 计算能力对控制器参数进行优化求解，如图6-6所示。
6.2 神经网络控制
2. 前馈控制系统
神经网络前馈控制系统如图6-7所示。
6.2 神经网络控制
3. 模型参考自适应控制系统
非线性系统的神经网络模型参考自适应控制系统， 在结构上与线性系统的模型参考自适应控制系统完 全相同，如图6-8所示。只是对象的辨识模型由神经 网络实现。
2. 修改的Elman网络
（1）网络结构 图6-5给出了一种 修改 Elman 网络 结构示意图。
6.1神经网络建模
（2）网络结构
由于对结构单元增加了自反馈连接，修改的Elman 网络可利用标准的BP学习算法辨识高阶动态系统。 修改Elman网络的标准BP学习算法为
6.1神经网络建模
3. 基于修改Elman网络的动态系统辨识
6.2 神经网络控制
上述结构方案中，CMAC自校正模块在监督学习下将完 成如下非线性映射 eL K 难点是如何提供训练样本集。为此我们将采用如下方法， 离线地提供训练样本集。 （1）在图6-14由网络模型组成的闭环控制系统中，整定一 个初始化比例增益K0； （2）给定期望的时域性能指标Lrm； （3）令r（t）=1，对闭环网络模型的单位阶跃响应，计算 相应的时域性能指标Lcm，0，从而得到指标误差向量eL0； （4）在可能的工作范围内，以一定的量化等级，将控制 器增益进行摄动 ，按（3）得相应的指标误差向量 eL，i，并记录下此对样本，这里i=1,2，…，N。 K
6.1神经网络建模
（1）网络结构 在动态递归网络 中，Elman网络具 有最简单的结构， 他可以采用标准 BP算法或动态反 向传播算法。一 个基本Elman网络 的结构示意图如 图6-4所示。
6.1神经网络建模
（2）学习算法
基本Elman网络的动态反向传播学习算法可归纳 如下：
其中
6.1神经网络建模
6.2 神经网络控制
（5）举例
6.2 神经网络控制
2. 基于局部逼近神经网络的控制系统
（1）方法 小脑模型关节控制器（CMAC）控制 高阶B样条的BMAC控制 基于高斯径向基函数（RBF）网络的直接自适应 控制 （2）各方法的优缺点 小脑模型关节控制器（CMAC）控制，此方法已 广泛应用于机器人控制。网络特点是局部逼近， 学习速度快，可以实时应用。
4. 控制系统的仿真 图6-24表示了利用神经元网络控制器的轨迹控制的 仿真结果。图中表示了第一次学习和第100次学习 后在xy平面上画圆的结果。在神经元的学习过程中， 机械手臂的轨迹很好的跟随期望轨迹，在第100 次 学习后 ，跟 踪误差已收敛到一 个很小值。
Company
LOGO
Add your company slogan
6.2 神经网络控制
6. 变结构线性控制系统
在线性控制系统中直接采用Hopfield网络作为动态控 制器。这时可利用变结构理论建造控制器，并用鲁 棒性描述其特性。如图6-11所示。
6.2 神经网络控制
三、基于神经网络的控制器设计
1. 基于全局逼近神经网络的异步自学习控制 系统
（1）基本思想 第k+1次学习时的输出uk+1(t)将基于第k次学习时的经 验 （ek（t），t）和输入uk（t）获得，并随着其 中“有效”经验的不断积累而使ek（t）->或 yk（t）->yd(t), k->∞。从而可望使实际输出经过 “学习”而逐渐逼近其期望输出。
Company
LOGO
第6章 基于神经网络的智能控制
www.themegallery.com
目录
1 3 2
神经网络建模 神经网络控制
3 4
神经网络控制系统的分析
神经网络控制系统的应用
6.1神经网络建模
一、多层前馈神经网络的逼近能力MLP满 足的条件
（1）MLP应具有产生g(w,x)=1的能力。
（2）可分性条件，这在MLP中相当于要求逼近 网络具有泛化能力，即所谓不同输入产生不同 输出。 （3）代数闭包条件要求MLP能产生函数的和与 积。
6.4 神经网络控制系统的应用
一、神经网络的模型辨识
下面介绍利用神经网络来获取氧气吹炼过程的模糊模型。此 模型中，使用的输入变量如下： x1：I/PMn 吹炼开始时的锰含量 x2：T-CaO 补助材料中生石灰的总重量 x3：SL-T 取样熔钢的温度 x4：P-I/PMn 转炉前次吹炼后熔钢中的锰含量 在预报模型中，每个输入变量具有两个模糊集：大和小，其 隶属函数分别用一个神经元单元即可实现。总的规则数为 24=16，因此网络（c）层的节数为16.网络学习前，先将输入 变量和输出变量按照现场收集的166个样本进行规格化，即 将其值域按下式进行变换
6.4 神经网络控制系统的应用
网络在学习后所获得的对应模糊系统的模糊规则由表6-3来自百度文库所示。
6.4 神经网络控制系统的应用
输入变量的隶属函数由图6-17所示，图中虚线是学习前的 隶属函数。
6.4 神经网络控制系统的应用
图 6-18 给出了模糊模型的输出值和实际测量值之间的曲 线。由此可见，建模用的数据和评价模型用的数据均集中 在直线的附近，因此建立的预报模型是比较准确的。
考虑如下三阶线性动态系统 K G(s) ( s 1)( s 2)( s 3) 假定该系统未知，为了辨识其正向动力学模型，我 们不妨采用图6-1的系统辨识结构。仿真中，400个 数据的样本集可有均匀分布产生，即网络的输入由 具有均匀分布的随机数产生，训练规则为输出的均 方根（r.m.s）误差。若取自反馈增益a=065，SBP算 法的学习率为0.01，动态项a’=0.1,采样周期T=0.1s， 网络结构采用1*4*1.则经过200000次学习迭代后， 可使r.m.s误差E=0.025685
6.2 神经网络控制
（2）方法
包括早期的PID型学习控制，以及近期发展的最优
学习控制、随机学习控制和自适应学习控制等，它 们的本质区别在于学习算子 (.,.) 的具体形式，后者 的选择需保证相应的学习收敛性。
6.2 神经网络控制
（3）神经网络异步自学习控制系统方框图
6.2 神经网络控制
（4）神经网络控制系统的稳定性条件
6.2 神经网络控制
（4）神经网络对大量定性或定量信息的分布式存 储能力、并行处理与合成能力，可以被用作复 杂控制系统中的信息转换接口，以及对对象、 语言等感觉信息的处理和利用； （5）神经网络的并行分布式处理结构所带来的容 错能力，可以被用于非结构化过程的控制。
6.2 神经网络控制
二、神经网络控制系统的结构
6.4 神经网络控制系统的应用
二、基于神经网络的机械手控制
1. 控制系统设计 在工业应用中，机械手臂具有结构和非结构的不确 定性，为了克服它，提出了自适应控制方法。这种 方法虽然可有效的克服结构性的不确定性，但对非 结构性不确定性无能为力。因此人们借助于神经网 络，利用NN的学习能力、非线性映射和并行处理 能力对机械手臂进行控制。通常用的比较多的是在 神经网络中建立受控对象的逆动力学模型。
6.2 神经网络控制
4. 内模控制系统
内模控制具有较强的鲁棒性，神经网络内模控制系 统如图6-9所示。
6.2 神经网络控制
5. 预测控制系统
神经网络预测控制是利用作为对象辨识模型的神经 网络产生预测信号，然后利用优化算法，求使目标 函数取最小值的控制矢量，从而实现非线性系统的 预测控制，如图6-10所示。
6.2 神经网络控制
（5）设计举例
6.2 神经网络控制
6.3 神经网络控制系统的分析
非线性动态系统的复杂性，使得常规的数 学方法难以对它的控制特性进行精确的分 析，至今还没有建立完整的非线性系统控 制理论。采用神经元网络可以对一类非线 性系统进行辨识和控制。有关能控性和稳 定性地分析大都建立在直觉和定性的基础 上，。分析的思路是：先给出原非线性系 统稳定的可控条件，然后分析采用神经元 网络后这些条件是否满足。
6.2 神经网络控制
（3）结构原理图
6.2 神经网络控制
（4）设计步骤和算法实现
从图中可以看出系统可以分为4部分：常规控制 器与单位反馈；对象的CMAC正向模型；指标误 差计算环节；CMAC自校正模块。系统中采用两 个CMAC模块，一个用于建立被控对象的正向网 络模型，另一个用作神经网络非线性映射器。 CMAC模型与参考模型之间的输出被用来产生指 标误差向量。CMAC自校正模块将此指标误差映 射为控制器增益变化，从而修正相应的控制规 律。
经网络仍然沿期望轨迹附近进行学习。这就从根本
上克服了使用系统输入作为训练误差所带来的问题。 此外，对于系统不可逆的情况，利用此法也可通过 学习得到一个具有期望性能的特殊逆模型。
6.1神经网络建模
三、利用动态网络的系统建模
1. 基于Elman动态递归网络
动态递归神经网络可分为完全递归与部分递归网 络。完全递归网络具有任意的前馈与反馈联接， 且所有连接权都可进行修正。而在部分递归网络 中，主要的网络结构是前馈，其连接权可以修正； 反馈联接由一组所谓“结构”单元构成，其连接 权不可修正。
6.2 神经网络控制
一、神经网络的特点
（1）神经网络对于复杂不确定性问题的自适应能 力和学习能力，可以被用作控制系统中的补偿 环节和自适应环节等； （2）神经网络对任意非线性关系的描述能力，可 以被用于非线性系统的辨识和控制等。 （3）神经网络的非线性动力学特性所表现的快速 优化计算能力，可被用于复杂控制问题的优化 计算等。
6.1神经网络建模
（2）正-逆建模
正-逆建模也称狭义逆学习(Specialized Inverse Learning)。如图6-3所示，这时待辨识的网络NN位 于系统前面，并与之串联。
6.1神经网络建模
该方法的特点是：通过使用系统已知的正向动力学
模型，或增加使用已建模的神经网络正向模型，以
避免再次使用系统输入作为训练误差，使待辨识神
6.2 神经网络控制
不足之处是采用间断超平面对非线性超曲面的 逼近，可能精度不够，同时也得不到相应的导 数估计。 高阶B样条的BMAC控制，则弥补了CMAC的不 足，但计算量略有增加； 基于高斯径向基函数（RBF）网络的直接自适应 控制，这是较为系统、逼近精度最高的一种方 法。但它需要的固定或可调连接权太多，且高 斯径向非线性函数的计算也太多，利用目前的 串行计算机进行仿真实现时，计算量与内存过 大，很难实时实现。
6.1神经网络建模
二、利用多层静态网络的系统建模
1. 正向模型
所谓正向模型是指利用多层前馈神经网络，通过 训练或学习，使其能够表达系统正向动力学特性 的模型。图6-1给出了获得系统正向模型的网络结 构示意图。
6.1神经网络建模
2. 逆模型
（1）直接逆建模
直接逆建模也称广义逆(Generalized Inerse Learing)， 如图6-2所示。 由图中可以看出，拟辨识 系统的输出作为网络的输 入，网络输出与系统输入 比较，相应的输入误差用 来进行训练，因而网络将 通过学习建立系统的逆模 型。