神经网络控制系统教程PPT（MATLAB基于Simulink的三种典型神经网络控制系统学习资料）.pptx

神经网络控制系统;神经网络发展至今已有半个多世纪的历史，概括起来经历了三个阶段：20世纪40 60年代的发展初期； 70年代的研究低潮期；80年代，神经网络的理论研究取得了突破性进展。神经网络控制是将神经网络在相应的控制系统结构中当做控制器或辨识器。神经网络控制的发展，虽仅有十余年的历史，但已有了多种控制结构。;传统的基于模型的控制方式，是根据被控对象的 数学模型及对控制系统要求的性能指标来设计控制器，并对控制规律加以数学解析描述；模糊控制是基于专 家经验和领域知识总结出若干条模糊控制规则，构成 描述具有不确定性复杂对象的模糊关系，通过被控系 统输出误差及误差变化和模糊关系的推理合成获得控 制量，从而对系统进行控制。这两种控制方式都具有 显式表达知识的特点，而神经网络不善于显式表达知 识，但是它具有很强的逼近非线性函数的能力，即非 线性映射能力。把神经网络用于控制正是利用它的这个独特优点。;4;设被控制对象的输入u和系统输出y之间满足如下非线性函数关系 （3-1）控制的目的是确定最佳的控制量输入u，使系统的 实际输出y等于期望的输出yd。在该系统，可把神经网络的功能看作输入输出的某种映射，或称函数变换 ，并设它的函数关系为： （3-2）;为了满足系统输出y等于期望的输出yd，将（3-2）式代入（3-1）式，可得 （3-3） 显然，当f(·)=g-1(·)时，满足y=yd的要求。;由于要采用神经网络控制的被控对象一般是复 杂的且多具有不确定性，因此非线性函数g(·)是难以建立的，可以利用神经网络具有逼近非线性函数的能 力来模拟g-1(·)，尽管g(·)的形式未知，但通过系统的实际输出y与期望输出yd之间的误差来调整神经网络 中的连接权值，即让神经网络学习，直至误差 e=yd-y=0 (3-4)的过程，就是神经网络模拟g-1(·)的过程，它实际上 是对被控对象的一种求逆过程，由神经网络的学习算 法实现这一求逆过程，就是神经网络实现直接控制的基本思想。;3.1.2 神经网络在控制中的主要作用 由于神经网络具有许多优异特性，所以决定了它在控制系统中应用的多样性和灵活性。 为了研究神经网络控制的多种形式，???来给出神经网络控制的定义，所谓神经网络控制，即基于神经网络的控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，以及同时兼有上述某些功能的适应组合，将这样的系统统称为基于神经网络的控制系统，称这种控制方式为神经网络控制。;根据上述定义，可以将神经网络在控制中的作用分为以下几种： 在基于精确模型的各种控制结构中充当对象的模型； 在反馈控制系统中直接充当控制器的作用； 在传统控制系统中起优化计算作用； 在与其它智能控制方法和优化算法，如模糊控制、专家控制及遗传算法等相融合中，为其提供非参数化对象模型、优化参数、推理模型及故障诊断等。 由于人工智能中的新技术不断出现及其在智能控制中的应用，神经网络必将在和其它新技术的相融合中，在智能控制中发挥更大的作用。;10;图中的神经网络NNI作为辨识器，由于神经网络的学习能力，辨识器的参数可随着对象、环境的变化而自适应地改变，故它可再线辨识非线性不确定、不确知对象的模型。辨识的目的是根据系统所提供的测量信息，在某种准则意义下估计出对象模型的结构和参数。图中的神经网络NNC作为控制器，其性能随着对象、环境的变化而自适应地改变（根据辨识器）。;在图3-2所示的系统中，对于神经控制系统的设计，就是对神经辨识器NNI和神经控制器NNC结构（包括神 经网络种类、结构）的选择，以及在一定的准则函数下，它们的权系数经由学习与训练，使之对应于不确定、不确知系统与环境，最后使控制系统达到要求的性能。由于该神经网络控制结构有两个神经网络，它是在高维空间搜索寻优，网络训练时，可调参数多，需调整的权值多，且收敛速度与所选的学习算法、初始权值有关，因此系统设计有相当难度。除了设计者所掌握的知识和经验外，还必须应用计算机硬件、软件技术作为神经网络控制设计的工具。;3.1.3 神经网络控制系统的分类 神经网络控制的结构和种类划分，根据不同观点可以有不同的形式，目前尚无统一的分类标准。 1991年Werbos将神经网络控制划分为学习控制、直接逆动态控制、神经自适应控制、BTT控制和自适应决策控制五类。 1992年Hunt等人发表长篇综述文章，将神经网络 控制结构分为监督控制、直接逆控制、模型参考控制、内模控制、预测控制、系统辨识、最优决策控制、自 适应线性控制、增强学习控制、增益排队论??滤波和 预报等。;上述两种分类并无本质差别，只是后者划分更细一些，几乎涉及到传统控制、系统辨识。滤波和预报等所有方面，这也间接地反映了随着神经网络