神经网络在控制中的应用

5.1 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
1. 2. 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。 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 这种辨识是由神经网络本身实现的，是非算法式的。 辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络 本身及其所采用的学习算法有关，传统的辨识方法随模型参 数维数的增大而变得很复杂。 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，通过调节这些权值使网络输出逼近系统 输出。 神经网络作为实际系统的辨识模型，实际上也是系统的一个 物理实现，可以用于在线控制。
对象
u
y
e
辨识模型
系统辨识的原理
ˆ y
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u、y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， 则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对 象模型的目的。
11
5.1 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。
7
5.1 神经网络辨识 神经网络辨识基础
所谓系统辨识，就是根据系统的输入和输出 数据，在指定的一类系统中选择一个系统，这 个系统和所研究的实际系统等价。 由于实际上不可能找到一个与实际系统完全等 价的模型。因此，从实用角度看，辨识就是从 一组模型中选择一个模型，按照某种准则，使 之能最好的拟合所关心) 神经网络与其他算法相结合：神经网络与专家系统、模糊 逻辑、遗传算法等相结合可构成新型控制器； 4
(4) 优化计算：在常规控制系统的设计中，常遇到求解 约束优化问题，神经网络为这类问题提供了有效的途
径；
(5) 控制系统的故障诊断：利用神经网络的逼近特性，
可对控制系统的各种故障进行模式识别，从而实现控
13
5.1 神经网络辨识
3. 误差准则的选择
误差准则是用来衡量模型接近实际系统的标准。它 通常表示为一个误差的泛函，记作
E (W ) f (e(k ))
k
其中 f () 是误差适量e(k)的函数，用得最多的是平方函数， 即 2
f [e(k )] e (k )
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。 14
制系统的故障诊断。
5
神经网络控制在理论和实践上，以下问题
是研究的重点：
(1) 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； (3) 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；
6
神经网络在控制中的应用
神经网络辨识技术 神经网络控制技术
9
5.1 神经网络辨识
逼近理论是一种经典的数学方法。多项式函数和其它逼 近方法都可以逼近任意的非线性函数。但由于其学习能 力和并行处理能力不及神经网络，从而使得神经网络的 逼近理论研究得到迅速发展。
10
5.1 神经网络辨识
神经网络系统辨识的原理
系统辨识的原理：给对象 和辨识模型施加相同的输 入，得到对象的输出 y和模 型的输出 y ，通过调整辨 识模型的结构来使对象的 输出y和模型的输出 y 之 间的误差最小。
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。
3
神经网络控制所取得的进展为：
(1) 基于神经网络的系统辨识：可在已知常规模型结构的情况
下，估计模型的参数；或利用神经网络的线性、非线性特性， 建立线性、非线性系统的静态、动态、逆动态及预测模型； (2) 神经网络控制器：神经网络作为控制器，可实现对不确定 系统或未知系统进行有效的控制，使控制系统达到所要求的
（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；
2
（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
8
5.1 神经网络辨识
神经网络系统辨识实质上是从神经网络模型中选择一个 适当的模型来逼近实际系统的数学模型。
神经网络系统通过直接学习输入输出数据，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 据中的关系。 神经网络对非线性函数具有任意逼近和自学习能力，为系 统的辨识，尤其是非线性动态系统的辨识提供了一条十分 有效的途径。
1. 模型的选择
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 要兼顾其精确性和复杂性。因为如要求模型越精确，模型就会 变的越复杂，相反如果适当降低模型精度要求，只考虑主要因 素而忽略次要因素，模型就可以简单些。所以在建立实际系统 模型时，存在着精确性和复杂性这一对矛盾。在神经网络辨识 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 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 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 验来达到。
12
5.1 神经网络辨识 2. 输入信号的选择
为了能够精确有效的对未知系统进行辨识，输入信 号必须满足一定的条件。从时域上来看，要求系统的 动态过程在辨识时间内必须被输入信号持续激励，即 输入信号必须充分激励系统的所有模态；从频域来 看，要求输入信号的频谱必须足以覆盖系统的频谱。 通常在神经网络辨识中可选用白噪声或伪随机信号作 为系统的输入信号。对于实际运行系统而言，选择测 试信号需考虑对系统安全运行的影响。
神经网络是一种具有高度非线性的连续时
间动力系统，它有着很强的自学习功能和
对非线性系统的强大映射能力，已广泛应
用于复杂对象的控制中。神经网络所具有
的大规模并行性、冗余性、容错性、本质
的非线性及自组织、自学习、自适应能力，
给不断面临挑战的控制理论带来生机。
1
从控制角度来看，神经网络用于控制的优越性主 要表现为：