第十三章神经网络建模与控制

第十三章神经网络建模与控制内容摘要：

()( kkku  系统输入信号为： 辨识器取串 并联结构，其中的 NN取二维高斯 RBF网络。 其中散布系数 SC=1，中心参数是程序内部自设的。 )1()1( )1(2)( 32 kukykyky  基于神经网络的系统辨识示例 例 4 基于 CMAC的非线性动态系统辨识 仿真系统模型为： )40/2c o s ()60/2c o s ()( kkku  系统输入信号为： 辨识器由 CMAC与一个 Z1组成。 但这里选的是并联结构。 全知权值依据 δ 学习规则调整。 这里设 y=（学习率） ,C=5（泛化常数 )N=5，量化级 q=Umin~Umax=1~1. )1()1( )1(5)( 32 kukykyky  基于神经网络的系统辨识示例 例 5 基于 PID网络的非线性动态系统辨识 仿真系统模型： )40/2c o s ()60/2c o s ()( kkku  )1()1( )1(5)( 32 kukykyky )(ˆ/)](),([ kykyku系统输入信号为： 辨识器的输入 /输出为： PID神经网络的输入 /输出为： )(ˆ/)]1(),1([ kykyku PID神经网络输出层用线性节点，准则函数取 2/)](ˆ)([)( 2kykykE 设 η 1=， η2=. 基于神经网络的系统辨识示例 例 5 基于 PID网络的非线性动态系统辨识 辨识器 ANNI采用 PID神经网络与按拍延迟线（两个 Z1）组成，选用串 并联辨识结构，如下图所示： 基于神经网络的系统辨识示例 以上例子中这类问题的一般化描述为： 非线性系统的差分方程形式包含有： )()](,),1([)(5)](,),1([)()(4)()](),1([)(3)](,),1([)](,),1([)(2)](,),1()。 (,),1([)(111ikubnkykygkyMmkukuikyakyMmkunkykygkyMmkukunkykygkyMmkukunkykygkyMmiinii仿射型离散状态空间表达式： )](),([)()]([)([)1(kukxgkykukxkx 一般型离散状态空间表达式： )](),([)()]()([)1(kukxgkykukxkx  基于神经网络的系统辨识示例 对于前 5个 SISO系统而言，假设： 1，模型结构已知，而 n m 已知。 2， u(k)， y(k)可测量。 3，对所有 u(k)而言， y(k)是一致有界的，即系统稳定。 对于后面两个 MIMO系统而言，假设 1，系统具有能控性，能观性。 2，输入 m维，输出 p维，状态 n维。 在一般情况下多用传 并联辨识结构，这种结构下 ANNI更容易保证其稳定性。 基于神经网络的系统辨识示例 基于神经网络的系统辨识示例 例 6 用线性自适应神经元进行线性系统逆模型辨识 仿真系统模型为： 由于 P(z)的零点 p=,极点为 ，均在 Z平面单位圆内，因此 P(z)是稳定的且具有一阶时延的系统 （ 2）系统逆模型，由于其极点在 Z平面单位圆内，因此其是稳定的： （ 1）求系统的 Z传递函数 )2()1()2()1()(  kukukykyky11111211])(1][)(1[)(  zzjzjzzzzzzP1210111)(1)()(zzzzPzPzP 基于神经网络的系统辨识示例 例 6 用线性自适应神经元进行线性系统逆模型辨识 )2()2()1()()1(  kukykykyku（ 3）逆模型辨识：逆模型 神经网络的输出为 u(k1).输入为：y(k),y(k1), y(k2),u(k2) 逆差分方程为： 逆模的参数为： TTdCCC ][][12101  基于神经网络的系统辨识示例 （ 5）在线逆模型辨识（模型还是例 6的模型） 例 6 用线性自适应神经元进行线性系统逆模型辨识 在线逆模型辨识（但是不能用 M序列，可用正弦和随机数）证明在线难度大 （ 4）离线逆模型辨识： 输入 u(k)循环周期 Np=15的四阶 M序列 程序名称 （离线） 基于神经网络的系统辨识示例 （在线） 这里主要解决如下的几个问题： （ 1）神经控制的设计问题 （ 2）神经控制的集中结构及设计 （ 3）再励学习原理，再励学习与神经控制。 1）神经网络控制系统的设计与实现 （ 1）神经控制系统的一般结构 神经控制器 y(t) T 保持器 对象或过程 传感器 u(t) T e(t) r(t) 基于神经网络的系统控制 (a)闭环确定性系统的 ANN控制 对于该神经控制的设计，就是神经辨识器、控制器结构（包括动态神经网络种类、结构）的选择，很可能需经多次试探过程，在 L2意义下，使准则函数： A N N CkekytrkEA N N IkekykykE2222212121)(21)](ˆ)([21)()(21)](ˆ)([21)(。