神经网络、模糊控制及专家系统第七章

,神经网络、模糊控制及专家系统,研究生课程,张严心,2012,第七章 人工神经网络控制论,引言,非线性动态系统的神经网络辨识,神经网络控制的学习机制,神经网络控制器的设计,基于神经网络的自适应控制,第一节 引言,一、神经网络控制的优越性,二、神经网络控制器的分类,三、神经网络的逼近能力,第一节 引言,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。,一、神经网络控制的优越性,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。,具有很强的逼近非线性函数的能力，即非线性映射能力，神经网络用于控制正是利用这个独特的优点。,传统的基于模型的控制方式,模糊控制,神经网络控制,第一节 引言,一、神经网络控制的优越性,神经网络可以处理那些难以用模型或规则描述的过程或系统。,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. 神经网络是本质的非线性系统。,4.,神经网络具有很强的信息综合能力。,5. 神经网络的硬件实现愈趋方便。,（1） 优越性,第一节 引言,一、神经网络控制的优越性,（2） 在控制中的主要作用,第一节 引言,二、神经网络控制器的分类,第一节 引言,二、神经网络控制器的分类,二、神经网络控制器的分类,图 5-1 导师指导下的神经控制结构图,二、神经网络控制器的分类,二、神经网络控制器的分类,图5-2 逆控制器的结构图,二、神经网络控制器的分类,图5-3 自适应网络控制器结构图,二、神经网络控制器的分类,图5-4 神经网络内模控制结构图,二、神经网络控制器的分类,图5-5 前馈补偿控制结构图,二、神经网络控制器的分类,图5-6 自适应评价网络结构图,二、神经网络控制器的分类,第二节 非线性动态系统的,神经网络辨识,一、神经网络的辨识基础,二、神经网络辨识模型的结构,三、非线性动态系统的神经网络辨识,一、神经网络的辨识基础,所谓辨识，是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。,三个要素：,输入/输出数据指能够量测到的系统的输入/输出。,模型类指所考虑的系统的结构。,等价准则指辨识的优化目标。,一、神经网络的辨识基础,神经网络系统本质上是一种非线性映射，它可以从某一输入空间通过网络变换，映射到输出空间。因此，训练神经网络的过程是非线性函数的逼近过程。多层前向传播网络能够逼近 空间上的任意非线性函数。关键在于如何确定隐含层和隐含激励神经元的个数。,需要考虑的三大因素：,模型的选择,输入信号的选择,误差准则的选择,持续激励信号，充分激励,足以覆盖系统的频谱,精确性和复杂性的折衷,一、神经网络的辨识基础,神经网络的辨识在确定上述三大要素之后就归结为一个最优化问题。它不是传统的参数估计问题，有五个特点：,5) 作为实际系统的辨识模型,是一个物理实现,可在线控制.,1）不要求建立实际系统的辨识格式,.,2）可以对本质非线性系统进行辨识，是通过网络外部的输入/输出来拟合系统的输入/输出.,4),神经网络有大量连接权,通过调节权值逼近系统输出.,3) 辨识的收敛速度不依赖于待辨识系统的维数,只与算法有关.,二、神经网络的辨识模型的结构,前向建模：利用神经网络来逼近非线性系统的前向动力学模型。神经网络模型在结构上与实际系统并行。,前向建模 逆模型法,二、神经网络的辨识模型的结构,图5-8 前向建模示意图,二、神经网络的辨识模型的结构,逆模型,建立的最直接的方法是将系输出作为网络输入，将网络输出与期望输出即系统的输入进行比较得到的误差作为此神经网络训练的信号。,图5-9 逆模型直接法示意图,二、神经网络的辨识模型的结构,1.学习过程不一定是目标最优的。,适当在稳态下加入一个小信号的随机输入信号；或者采用如图的逆模型建模结构。即逆模型的输入遍及整个系统的输入空间。,2. 一旦非线性系统的对应关系不是一对一的，那么不准确的逆模型可能会被建立。,缺陷：,图5-10 实用逆模型建模示意图,第三节 神经网络控制的学习机制,神经网络辨识器,的期望输出值和系统实际值应该是一致的，因此样本信息是已知的。,神经网络控制器,的样本是系统的最佳控制量，是未知的。,监督式学习：有导师指导下的控制网络学习。包括离线学习法、在线学习法、反馈误差学习法、多网络学习法。,增强式学习：无导师指导下的学习模式。通过某一评价函数来对网络的权系数进行学习和更新，最终达到有效控制的目的。,神经网络的学习方法就是寻找一种有效的途径进行网络连接权阵或网络结构的修改，从而使得网络控制器输出的控制信号能够保证系统输出跟随系统的期望输出。,离线学习法,图5-20 离线学习法,建立,学习目的: 要求 和 的平方误差为最小。,一个系统的逆模型,一批样本输入输出数据,在线学习法,图5-21 在线学习法,若系统模型已知，则可以通过,Jacobian,矩阵求出,在线学习法,反馈误差学习法,控制系统的结构由前馈控制器和反馈控制器两部分组成。,缺点：直接使用系统的误差信号去更新控制网络的权矩阵，而忽略了非线性系统本身的动态性能，因此可能导致学习算法的发散现象。,图5-22 反馈误差学习结构,多网络学习法,利用神经网络辨识的手段在线识别出未知系统的动态模型，并利用此模型进行神经网络控制的设计和学习，且在学习过程中进一步改善模型的精确性，达到高精度的控制目的。,两种方法：,建立未知非线性动态系统的前向模型。,建立未知非线性动态系统的逆模型。,第三节 神经网络控制的学习机制,多网络学习法,建立未知非线性动态系统的前向模型。,图5-23 前向建模多网络控制结构图,多网络学习法,2. 建立未知非线性动态系统的逆模型。,图5-24 逆模型建模的多网络控制结构图,第四节 神经网络控制器的设计,一、神经网络直接逆模型控制法,二、直接网络控制设计法,一、神经网络直接逆模型控制法,最直观的一种神经网络控制器的实现方法,图5-25 直接逆模型的训练结构示意图,直接逆模型控制法,一、神经网络直接逆模型控制法,一、神经网络直接逆模型控制法,一、神经网络直接逆模型控制法,一、神经网络直接逆模型控制法,一、神经网络直接逆模型控制法,二、直接网络控制设计法,问题：直接逆模型控制法没有考虑到系统本身的输入输出状态，因此，一旦系统运行的环境、参数发生变化时，这类控制器就无法适应了。,改进方案：,二、直接网络控制设计法,二、直接网络控制设计法,第八章 小 结,1. 神经网络控制的优越性,2. 七种常见的神经网络控制结构,3. 离散非线性系统的神经网络辨识算法,4. 监督式学习：有导师指导下的控制网络学习。,5.神经网络控制器的设计,前向建模 逆模型法,神经网络直接逆模型控制法；,直接网络控制设计法,离线学习法、在线学习法、反馈误差学习法、多网络学习法,