神经网络控制多种结构

r
非线性优化器
u -源自文库
对象
y
NNP 滤波器
神经预测控制
13
结束
神经直接自校正控制
2
神经网络控制的多种结构
神经间接自校正控制
由神经辨识器NNI在线估计对象参数，用调节器（或控制器）实现参数的 自动整定相结合的自适应控制。
控制器设计
NNI
r 自校正控制器
u
y
对象
神经自校正控制框图
3
神经网络控制的多种结构
神经PID控制
由辨识器NNI在线辨识对象，对控制器NNC的权系进行实时调整，使系统 具有自适应性，从而达到控制目的。
末端位置 实际轨迹
CMAC 直接逆运动控制
10
神经网络控制的多种结构
CMAC前馈控制
由CMAC实现前馈控制，由常规控制器实现闭环反馈控制，整个控制 结构是前馈反馈控制。
NNC---CMAC 存储器 网络训练
xd
设定值 发生器
xi
网络回想 常规 控制器
un
+ 对象
_
uc
u
x
CMAC 前馈控制
11
神经网络控制的多种结构
动作—评价学习神经控制
依据被控对象的当前状态与再励反馈信号，给出评价信号，对当前的控制 进行评价，确定下步的控制。
评价网络
P(x)
控制 网络
ˆ re (k )
u (k )
re (k )
对象
x(k ) 动作—评价学习神经控制
12
神经网络控制的多种结构
神经预测控制
预测控制是一种基于模型的控制, 特点：预测模型、滚动优化和反馈校正。 神经预测控制由神经网络实现预测模型NNP。
g
内模 控制器
D (z )
u
对象
P (z )

y ˆ y
内部模型 e1
ˆ P( z )
神经内模控制
7
神经网络控制的多种结构
PID神经网络单变量控制
PID神经网络控制器NNC与单变量对象一起作为广义网络 ，不需辨识复杂 的非线性被控对象，可对其实现有效的控制。
PID神经网络单变量控制结构
8
神经网络控制的多种结构
PID神经网络多变量控制
PID神经网络控制器NNC与多变量对象一起作为广义网络 ，不需辨识复杂 的非线性被控对象，可对其实现有效的控制。
9
神经网络控制的多种结构
CMAC直接逆运动控制
CMAC用于逆运动控制例——机械手控制问题。
x
ˆ f 1 (x)
末端位置 理想轨迹 CMAC
ˆ
ˆ x
机械手
神经网络控制
多种结构
神经网络控制的多种结构
神经直接自校正控制
1 神经控制器 NNC 与对象串联，实现 P 的逆模型 P ，且能在线调整。
输出 y 跟踪输入 r 的精度，取决于逆模型的精度。 不足：开环控制结构，不能有效的抑制扰动。
r u y
ˆ NNC ( P 1 )
）
对象
-
ˆ NNiI ( P 1 )
-
PID 控制器
r e
NNC
u
对象
y
学习算法
NNI
ˆ y
学习算法 -
e2
-
e1
神经 PID 控制框图
4
神经网络控制的多种结构
神经直接模型参考自适应控制
构造一个参考模型，使其输出为期望输出，控制的目的是使y跟踪yM。
参考模型
yM
r NNC
u
r
对象
-
y
-
神经直接模型参考自适应控制
5
神经网络控制的多种结构
神经间接模型参考自适应控制
构造一个参考模型，使其输出为期望输出，控制的目的，是使y跟踪yM。 对象特性非线性、不确定、不确知时采用。
参考模型
yM
e2
r NNC u 对象 y
e1
NNI
-
ˆ y
神经间接模型参考自适应控制
6
神经网络控制的多种结构
神经内模控制
具有结构简单、性能良好的优点。
r e
_
滤波器
F (z )