智能控制课件-第5章神经控制系统.ppt

5.2.3 NN-based Adaptive Control NN-based model reference adaptive control NN模型参考自适应控制 （MRAC） NN直接参考自适应控制 , NN-based Direct MRAC NN间接参考自适应控制 NN-based Indirect MRAC NNC 参考模型 装置 r(t) e(t) u(t) ec(t) ym(t) y(t) d + - + - NN直接参考自适应控制 （1）神经网络模型参考直接自适应控制 模型参考自适应控制的目的是：系统在相同输入激励r的作用下，使被控对象的输出y与参考模型的输出ym达到一致。 这样通过调整参考模型，可以调整系统的动态特性。 神经网络控制器（NNC）先离线学习被控对象的逆动力学模型，与被控对象构成开环串联控制； 而后神经网络根据参考模型输出与被控对象输出的误差函数进行在线训练，使误差函数最小； 但反传算法对神经网络训练时需要被控对象的数学模型，当被控对象模型不确定性严重时，训练出现偏差，此时，往往考虑模型参考间接自适应控制。 5.2 Structural Schemes of Neurocontrol （2）神经网络模型参考间接自适应控制 在直接自适应控制的基础上，引入了一个神经网络辨识器（NNI）来对被控对象的数学模型进行在线辨识，这样可以及时地将对象模型的变化传递给NNC，使NNC可以得到及时有效的训练。 5.2 Structural Schemes of Neurocontrol _ e + _ e + 5.2 神经网络控制 基于BP神经网络参数自学习的PID控制器 经典增量式数字PID 的控制算法为： 神经网络具有任意的非线性表示能力，通过对系统性能的学习，实现具有最佳组合的PID控制器。 可调系数 5.2 神经网络控制 NN 是一个三层BP 网络 有M个输入节点、N 个隐含节点、3 个输出节点。 输入节点对应所选的系统运行状态量。 输出节点分别对应PID 控制器的3个可调参数kp , ki , kd 。 其激发函数为非负的Sigmoid函数。而隐含层的激发函数可取正负对称的Sigmoid函数。 网络根据性能指标J=1/2(r-y)2进行在线学习，则可以及时更新PID控制器的参数，使系统误差在不确定严重的情况下保持最小。 5.2 神经网络控制 试验结果： 受控对象模型： 系统仿真阶跃响应曲线 5.1.3 Basic Types and Learning Algorithm of ANN Here is a problem consisting of inputs P and targets T that we would like to solve with a network. P = [0 1 2 3 4 5 6 7 8 9 10]; T = [0 1 2 3 4 3 2 1 2 3 4]; Here a two-layer feed-forward network is created. The networks input ranges from [0 to 10]. The first layer has five tansig neurons, the second layer has one purelin neuron. The trainlm network training function is to be used. net = newff([0 10],[5 1],{tansig purelin}); Matlab例题： 5.1.3 Basic Types and Learning Algorithm of ANN Here the network is simulated and its output plotted against the targets. Y = sim(net,P); plot(P,T,P,Y,o) Here the network is trained for 50 epochs. Again the networks output is plotted. net.trainParam.epochs = 50; net = train(net,P,T); Y = sim(net,P); plot(P,T,P,Y,o) 5.1.3 Basic Types and Learning Algorithm of ANN inputs P and targets T 50 epochs a two-layer feed-forward network 5.1.3 Basic Types and