第三章神经网络控制与应用（辨识与控制).ppt

谢谢大家！ 感谢您的观看！ * 智能控制的思路是模仿人的智能行为进行控制，人作出控制决策时凭借的不是数学模型而是经验，而这些经验是经过“行动— 评价—改进行动方案—再行动”的多次反复才能获得的，再励学习控制就是模仿人的这种学习方式而提出的。 3.3.1神经网络控制系统结构 3.3 神经网络控制 3.3.1.7 再励学习控制系统结构 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 设被控对象为 1.神经网络辨识器的设计 , (3-92) * * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 1.神经网络辨识器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 1.神经网络辨识器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 3.3 神经网络控制 3.3.2.1 基于BP神经网络的PID控制 2.神经网络PID控制器的设计 * 例:设被控对象的近似数学模型为： 神经网络的结构为4-5-3，学习速率为 =0.28，惯性系数 =0.04，加权系数初始值取[-0.5,0.5]上的随机数。输入 信号分为两种： （1） （2） * * clear all; close all; xite=0.20; alfa=0.05; S=2; %Signal type IN=4;H=5;Out=3; %NN Structure if S==1 %Step Signal wi=[-0.6394 -0.2696 -0.3756 -0.7023; -0.8603 -0.2013 -0.5024 -0.2596; -1.0749 0.5543 -1.6820 -0.5437; -0.3625 -0.0724 -0.6463 -0.2859; 0.1425 0.0279 -0.5406 -0.7660]; %wi=0.50*rands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi; wo=[0.7576 0.2616 0.5820 -0.1416 -0.1325; -0.1146 0.2949 0.8352 0.2205 0.4508; 0.7201 0.4566 0.7672 0.4962 0.3632]; %wo=0.50*rands(Out,H); wo_1=wo;wo_2=wo;wo_3=wo; end * if S==2 %Sine Signal wi=[-0.2846 0.2193 -0.5097 -1.0668; -0.7484 -0.1210 -0.4708 0.0988; -0.7176 0.8297 -1.6000 0.2049; -0.0858 0.1925 -0.6346 0.0347; 0.4358 0.2369 -0.4564 -0.1324]; %wi=0.50*rands(H,IN); wi_1=wi;wi_2=wi;wi_3=wi; wo=[1.0438 0.5478 0.8682 0.1446 0.1537; 0.1716 0.5811 1.1214 0.5067 0.7370; 1.0063 0.7428 1.0534 0.7824 0.6494]; %wo=0.50*rands(Out,H); wo_1=wo;wo_2=wo;wo_3=wo; end x=[0,0,0]; du_1=0; u_1=0;u_2=0;u_3=0;u_4=0;u_5=0; y_1=0;y_2=0;y_3=0; Oh=zeros(H,1); %Output from NN middle l