神经网络控制课件

神神经网网络控制控制第第6.16.1节节 神经网络控制的基本原理神经网络控制的基本原理6.1.16.1.1 神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想6.1.26.1.2神经网络在控制中的主要作用神经网络在控制中的主要作用神经网络在控制中的主要作用神经网络在控制中的主要作用神经网络的特点及应用领域神经网络的特点及应用领域神经网络的特点及应用领域神经网络的特点及应用领域特点：特点：特点：特点：大规模并行性；冗余性；大规模并行性；冗余性；大规模并行性；冗余性；大规模并行性；冗余性；容错性；本质的非线性；容错性；本质的非线性；容错性；本质的非线性；容错性；本质的非线性；自组织、自学习、自适应性。自组织、自学习、自适应性。自组织、自学习、自适应性。自组织、自学习、自适应性。应用领域：应用领域：应用领域：应用领域：最优化；模式识别；最优化；模式识别；最优化；模式识别；最优化；模式识别；信号处理；图象处理；信号处理；图象处理；信号处理；图象处理；信号处理；图象处理；控制控制控制控制6.1.1 6.1.1 神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想神经网络可以处理神经网络可以处理难以用模型或规则描述的过程或系统难以用模型或规则描述的过程或系统。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，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，适于处理实时性要求高的控制系统适于处理实时性要求高的控制系统。神经网络是本质的非线性系统，神经网络是本质的非线性系统，可以实现任何非线性映射可以实现任何非线性映射。神经网络神经网络具有很强的信息综合能力具有很强的信息综合能力。能够同时处理大量不同类型的输入；能够同时处理大量不同类型的输入；能够很好地解决输入信息之间的互补性与冗余性问题；能够很好地解决输入信息之间的互补性与冗余性问题；能够恰当地协调好互相矛盾的输入信息。能够恰当地协调好互相矛盾的输入信息。神经网络的神经网络的硬件实现愈趋方便硬件实现愈趋方便。神经网络用于控制的优越性神经网络用于控制的优越性神经网络用于控制的优越性神经网络用于控制的优越性传统的控制方法是都是基于模型的，需要被控对象的数传统的控制方法是都是基于模型的，需要被控对象的数学模型。学模型。模糊控制是基于专家经验和领域知识的，根据模糊推理模糊控制是基于专家经验和领域知识的，根据模糊推理实施控制规则。实施控制规则。这两种方式都具有显式表达知识的特点。这两种方式都具有显式表达知识的特点。出发点：利用神经网络很强的逼近非线性函数的能力出发点：利用神经网络很强的逼近非线性函数的能力出发点：利用神经网络很强的逼近非线性函数的能力出发点：利用神经网络很强的逼近非线性函数的能力应用对象：模型已知、未知的；线性的、非线性的应用对象：模型已知、未知的；线性的、非线性的应用对象：模型已知、未知的；线性的、非线性的应用对象：模型已知、未知的；线性的、非线性的神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想神经网络控制的基本思想神经网络输入输出关系为：神经网络输入输出关系为：系统输入输出关系为：系统输入输出关系为：设被控对象输入输出关系为：设被控对象输入输出关系为：若有：若有：则：则：NN控制器控制器 被控对象被控对象ydyugf注：注：由于神经网络控制对象一般比较复杂且高度非线性，由于神经网络控制对象一般比较复杂且高度非线性，g(.)难以建立，所以利用难以建立，所以利用e=yd-y来调整神经网络权值。来调整神经网络权值。神经网络控制的基本思想（续）神经网络控制的基本思想（续）神经网络控制的基本思想（续）神经网络控制的基本思想（续）在控制系统中采用神经网络这一工具对难以精确描述的在控制系统中采用神经网络这一工具对难以精确描述的在控制系统中采用神经网络这一工具对难以精确描述的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非线性对象进行复杂非线性对象进行复杂非线性对象进行复杂非线性对象进行建模、控制、优化计算、推理或者建模、控制、优化计算、推理或者建模、控制、优化计算、推理或者建模、控制、优化计算、推理或者故障诊断故障诊断故障诊断故障诊断，以及同时具有上述某些功能的适当组合，将，以及同时具有上述某些功能的适当组合，将，以及同时具有上述某些功能的适当组合，将，以及同时具有上述某些功能的适当组合，将这样的系统统称为神经网络控制系统。这样的系统统称为神经网络控制系统。这样的系统统称为神经网络控制系统。这样的系统统称为神经网络控制系统。基于精确模型的各种控制结构中充当对象基于精确模型的各种控制结构中充当对象基于精确模型的各种控制结构中充当对象基于精确模型的各种控制结构中充当对象辨识辨识辨识辨识。在反馈控制系统中直接充当控制器在反馈控制系统中直接充当控制器在反馈控制系统中直接充当控制器在反馈控制系统中直接充当控制器控制器控制器控制器控制器。在传统控制器中优化计算作用在传统控制器中优化计算作用在传统控制器中优化计算作用在传统控制器中优化计算作用优化优化优化优化PIDPIDPIDPID参数参数参数参数。与其它智能算法的结合与其它智能算法的结合与其它智能算法的结合与其它智能算法的结合。6.1.2 6.1.2 神经网络在控制中的作用神经网络在控制中的作用神经网络在控制中的作用神经网络在控制中的作用第第6.26.2节节 神经网络系统辨识神经网络系统辨识6.2.16.2.1 系统辨识基本原理系统辨识基本原理系统辨识基本原理系统辨识基本原理6.2.26.2.2非线性系统辨识非线性系统辨识非线性系统辨识非线性系统辨识在输入和输出数据的基础上，从一组给定的模型中，确定在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型。一个与所测系统等价的模型。基本要素：基本要素：输入输入/输出数据输出数据能够量测到的系统的输入能够量测到的系统的输入/输出输出模型类模型类所考虑的系统的结构所考虑的系统的结构等价准则等价准则辨识的优化目标辨识的优化目标推广：推广：在输入和输出数据的基础上，从一组模型中选择一个模在输入和输出数据的基础上，从一组模型中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际系型，按照某种准则，使之能最好地拟合所关心的实际系统的动态或静态特性。统的动态或静态特性。辨识辨识辨识辨识6.2.1 6.2.1 系统辨识基本原理系统辨识基本原理系统辨识基本原理系统辨识基本原理被控对象被控对象辨识模型辨识模型神经网络辨识神经网络辨识神经网络辨识神经网络辨识本质：本质：从神经网络模型中选择一个模型来逼近实际系统模型。从神经网络模型中选择一个模型来逼近实际系统模型。方法：方法：利用输入输出数据来训练神经网络，使网络的输出与待利用输入输出数据来训练神经网络，使网络的输出与待辨识系统的输出接近。辨识系统的输出接近。模型的选择模型的选择模型的选择模型的选择模型仅是在某种意义下对实际系统的一种近似描述，模型的模型仅是在某种意义下对实际系统的一种近似描述，模型的确定要兼顾其精确性和复杂性。确定要兼顾其精确性和复杂性。模型越精确，模型就会变得越复杂；模型越精确，模型就会变得越复杂；适当降低模型的精度要求（只考虑主要因素），模型就简单。适当降低模型的精度要求（只考虑主要因素），模型就简单。选择的方法：选择的方法：无理论指导，可通过实验或仿真无理论指导，可通过实验或仿真可通过遗传算法来学习神经网络的结构以实现特定的要求。可通过遗传算法来学习神经网络的结构以实现特定的要求。神经网络辨识的三要素神经网络辨识的三要素神经网络辨识的三要素神经网络辨识的三要素输入信号的选择输入信号的选择输入信号的选择输入信号的选择从时域上看，要求输入信号必须充分激励系统的所有从时域上看，要求输入信号必须充分激励系统的所有从时域上看，要求输入信号必须充分激励系统的所有从时域上看，要求输入信号必须充分激励系统的所有模态。但系统有多少模态弄不清楚。模态。但系统有多少模态弄不清楚。模态。但系统有多少模态弄不清楚。模态。但系统有多少模态弄不清楚。从频域上看，要求输入信号的频谱必须足以覆盖系统从频域上看，要求输入信号的频谱必须足以覆盖系统从频域上看，要求输入信号的频谱必须足以覆盖系统从频域上看，要求输入信号的频谱必须足以覆盖系统的频谱。的频谱。的频谱。的频谱。通常选用白噪声或伪随机信号作为系统的输入信号。通常选用白噪声或伪随机信号作为系统的输入信号。通常选用白噪声或伪随机信号作为系统的输入信号。通常选用白噪声或伪随机信号作为系统的输入信号。误差准则的选择误差准则的选择误差准则的选择误差准则的选择是用来衡量模型接近实际系统的程度的标准，通常表是用来衡量模型接近实际系统的程度的标准，通常表是用来衡量模型接近实际系统的程度的标准，通常表是用来衡量模型接近实际系统的程度的标准，通常表示为一个误差的泛函。示为一个误差的泛函。示为一个误差的泛函。示为一个误差的泛函。神经网络辨识的三要素（续）神经网络辨识的三要素（续）神经网络辨识的三要素（续）神经网络辨识的三要素（续）不要求建立实际系统的辨识格式。不要求建立实际系统的辨识格式。可以对本质非线性系统进行辨识，而且辨识是通过网络可以对本质非线性系统进行辨识，而且辨识是通过网络外部的输入外部的输入/输出来拟合系统的输入输出来拟合系统的输入/输出，网络内部隐输出，网络内部隐含着系统的特性。含着系统的特性。辨识的收敛速度不依赖于待辨识系统的维数，只与神经辨识的收敛速度不依赖于待辨识系统的维数，只与神经网络结构和所采用的学习算法有关。网络结构和所采用的学习算法有关。神经网络的权值对应于模型参数，可通过学习修改。神经网络的权值对应于模型参数，可通过学习修改。神经网络实际上是待辨识系统的物理实现，可用于在线神经网络实际上是待辨识系统的物理实现，可用于在线控制。控制。神经网络辨识的特点神经网络辨识的特点神经网络辨识的特点神经网络辨识的特点利用神经网络来逼近非线性系统的前向动力学模型。利用神经网络来逼近非线性系统的前向动力学模型。非线性系统非线性系统非线性系统非线性系统 神经网络神经网络神经网络神经网络N N学习规则学习规则学习规则学习规则 TDL TDLTDLTDLTDLTDL前向建模法前向建模法把系统动力学特征直接引入到网络本身中来，如回归神经把系统动力学特征直接引入到网络本身中来，如回归神经网络。网络。在网络输入信号中考虑系统的动态因素，即将输入输出的在网络输入信号中考虑系统的动态因素，即将输入输出的滞后信号加到网络输入中来，从而保证网络的输出含有先滞后信号加到网络输入中来，从而保证网络的输出含有先前的输入、输出信息，模拟离散的动态系统。如可用多层前的输入、输出信息，模拟离散的动态系统。如可用多层前向神经网络实现。前向神经网络实现。前向建模法（续）前向建模法（续）局限性：局限性：通常要建模系统的结通常要建模系统的结构未知。构未知。考虑一类非线性离散动态系统：考虑一类非线性离散动态系统：前向建模法（续）前向建模法（续）选择神经网络的结构与系统的结构一致。选择神经网络的结构与系统的结构一致。必要性：必要性：在非线性系统的控制中经常需要非线性系统的逆在非线性系统的控制中经常需要非线性系统的逆模型。模型。逆模型法逆模型法 神经网络神经网络神经网络神经网络N N 非线性系统非线性系统非线性系统非线性系统学习规则学习规则学习规则学习规则 TDL TDLTDLTDL网络的输入：网络的输入：系统的实际输出系统的实际输出y(k),y(k-1),y(k-n+1)y(k),y(k-1),y(k-n+1)以以及及u(k),u(k-1),u(k-m+1)u(k),u(k-1),u(k-m+1)网络的输出：网络的输出：控制信号控制信号u uN N网络训练信号：网络训练信号：网络的输出与系统输入之间的差值，即网络的输出与系统输入之间的差值，即u-u-u uN N目的：目的：u uN N逼近系统的输入（即控制信号）逼近系统的输入（即控制信号）u u逆模型法（续）逆模型法（续）神经网络神经网络神经网络神经网络N N 非线性系统非线性系统非线性系统非线性系统学习规则学习规则学习规则学习规则 TDL TDLTDLTDL学习方法不一定是目标最优的。用来训练神经网络模型的学学习方法不一定是目标最优的。用来训练神经网络模型的学习信号并不能完全表示整个非线性系统的特性。习信号并不能完全表示整个非线性系统的特性。适当地在稳定工作态下加入一个小信号的随机输入信号，适当地在稳定工作态下加入一个小信号的随机输入信号，从而提高系统的可辨识能力。从而提高系统的可辨识能力。借鉴神经控制器的指导思想和学习方法。逆模型的输入借鉴神经控制器的指导思想和学习方法。逆模型的输入可以遍及整个系统的输入空间。可以遍及整个系统的输入空间。逆模型建模方法的缺陷逆模型建模方法的缺陷一旦非线性系统的对应关系不是一对一的，将建立不准确的一旦非线性系统的对应关系不是一对一的，将建立不准确的逆模型。逆模型。逆模型网络逆模型网络逆模型网络逆模型网络 非线性系统非线性系统非线性系统非线性系统学习规则学习规则学习规则学习规则 前向网络前向网络前向网络前向网络+第第6.36.3节节 神经网络直接逆模型控制神经网络直接逆模型控制6.3.16.3.1 直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构6.3.26.3.2直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法6.3.46.3.4直接网络控制设计方法直接网络控制设计方法直接网络控制设计方法直接网络控制设计方法直接逆模型控制法是最直接的一种神经网络控制器的实现方直接逆模型控制法是最直接的一种神经网络控制器的实现方法。法。基本思想基本思想:假设被控系统可逆，通过假设被控系统可逆，通过离线建模离线建模过程得到系统的过程得到系统的逆模逆模型网络型网络，然后用这一逆网络模型去直接控制被控对象。，然后用这一逆网络模型去直接控制被控对象。图图6.3.1 P1476.3.1 P1476.3.1 6.3.1 6.3.1 6.3.1 直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构应用前提应用前提:系统的结构已知，即系统的结构已知，即m m，n n已知；系统可逆已知；系统可逆则有函数则有函数g g，使下式成立，使下式成立可用一个多层前向传播神经网络来实现，则网络的输入输可用一个多层前向传播神经网络来实现，则网络的输入输出关系为：出关系为：将将y(k+1)y(k+1)用用y yd d(k+1)(k+1)代替即可通过神经网络产生期望的控制量代替即可通过神经网络产生期望的控制量u u。6.3.1 6.3.1 6.3.1 6.3.1 直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构直接逆模型控制结构输入矢量样本集：输入矢量样本集：目标函数：目标函数：遗忘因子：遗忘因子：6.3.2 6.3.2 6.3.2 6.3.2 直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法教材教材 P148 P1486.3.2 6.3.2 6.3.2 6.3.2 直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法直接逆模型控制学习方法实现步骤实现步骤实现步骤实现步骤 神经网络神经网络 对象对象+-局限性局限性局限性局限性:直接逆模型控制直接逆模型控制法不进行在线学法不进行在线学习，因此控制精习，因此控制精度取决于逆动力度取决于逆动力学模型的精度。学模型的精度。在参数发生变化在参数发生变化时，无法进行自时，无法进行自适应的调节。适应的调节。思想：思想：思想：思想：在神经网络的输入端引入了系统的状态信号，并将学习在神经网络的输入端引入了系统的状态信号，并将学习在神经网络的输入端引入了系统的状态信号，并将学习在神经网络的输入端引入了系统的状态信号，并将学习机制实时在线地用于网络控制器的调整和改善。机制实时在线地用于网络控制器的调整和改善。机制实时在线地用于网络控制器的调整和改善。机制实时在线地用于网络控制器的调整和改善。缺陷缺陷:要利用系统的要利用系统的JacobianJacobian矩阵矩阵,对大多数复杂系统，未知系统对大多数复杂系统，未知系统无法测知。无法测知。6.3.3 6.3.3 6.3.3 6.3.3 直接网络控制设计方法直接网络控制设计方法直接网络控制设计方法直接网络控制设计方法摄动法：用摄动法：用 代替代替 。在采样间隔比较短的情况下可行。在采样间隔比较短的情况下可行。直接网络控制设计方法改进直接网络控制设计方法改进直接网络控制设计方法改进直接网络控制设计方法改进符号函数法：用符号函数法：用 代替代替既能保证神经网络学习算法的稳定性，又具有计算简既能保证神经网络学习算法的稳定性，又具有计算简单、在已知条件较少情况下系统也能控制的优点。单、在已知条件较少情况下系统也能控制的优点。参考模型参考模型对象对象NNC+-缺陷：缺陷：目前还没有可行的方法来解决未知动力学模型的目前还没有可行的方法来解决未知动力学模型的控制问题。控制问题。直接神经网络模型参考自适应控制直接神经网络模型参考自适应控制直接神经网络模型参考自适应控制直接神经网络模型参考自适应控制第第6.46.4节节 神经网络模型参考自适应控制神经网络模型参考自适应控制参考模型参考模型对象对象NNC+-NNI+-特点：分别用特点：分别用NNINNI和和NNCNNC代替经典控制中的辨识模型和控代替经典控制中的辨识模型和控制器，使得学习和控制能够实现。制器，使得学习和控制能够实现。间接神经网络模型参考自适应控制间接神经网络模型参考自适应控制间接神经网络模型参考自适应控制间接神经网络模型参考自适应控制特点：特点：鲁棒性强；易于进行稳定性分析。鲁棒性强；易于进行稳定性分析。第第6.56.5节节 神经网络内模控制神经网络内模控制6-2作业作业作业作业谢谢大家！结结 语语