为了正常的体验网站,请在浏览器设置里面开启Javascript功能!
首页 > 第5章神经元网络控制

第5章神经元网络控制

2012-03-15 21页 pdf 149KB 17阅读

用户头像

is_160236

暂无简介

举报
第5章神经元网络控制 第五章 神经网络控制方法 Neural Networks Control NNC 目的:解决复杂的非线性,不确定不确知系 统的控制问题。 具有学习能力和自适应能力。神经网络控制 能对环境变化具有自适应能力,且不依赖于 模型。 5.1 神经网络控制的结构 1.神经直接逆动态控制(自校正控制) r 对象)ˆ( 1PNNC   yu yur )ˆ( 1PNNC )ˆ( 1PNN 对象 评价函数 )(a )(b 1 1 ˆ , NNC P P NNC NN ...
第5章神经元网络控制
第五章 神经网络控制方法 Neural Networks Control NNC 目的:解决复杂的非线性,不确定不确知系 统的控制问题。 具有学习能力和自适应能力。神经网络控制 能对环境变化具有自适应能力,且不依赖于 模型。 5.1 神经网络控制的结构 1.神经直接逆动态控制(自校正控制) r 对象)ˆ( 1PNNC   yu yur )ˆ( 1PNNC )ˆ( 1PNN 对象 评价函数 )(a )(b 1 1 ˆ , NNC P P NNC NN P P      实现对象 的逆模型 ,且在线调整 具有相同结构和学习算法 对象 动态可逆 2.神经间接自校正控制 r u y对象 PPNNI ˆ)神经网络辨识器( 控制器 自校正控制器 NNI辨识器 神经自校正控制 3.神经模型参考自适应控制 0ˆ 0   yyeNNI NNI NNCe yyeNNC m 权修正:神经网络辨识器。 了避免这问题,增加参数修正造成困难。为 中间位置。给和于最小。由于未知对象处 或二次型指标权修正目标 对象NNC 参考模型 r e   yu  m m yy y  期望输出—my 直接型 参模 NNC 对象 NNI r yˆ  u y    间接型 4.神经PID控制 PNNI PIDNNC ˆ  对象 NNI PID   r u y   e yˆ  5.神经内模控制 内模控制IMC---Internal Model Control r 对象)ˆ( 1PNNC   yu Ff 1ˆ( )NNI P 滤波器e 逆模 d 'd my M—对象数学模型(内模) 滤波器—提高系统的鲁棒性 ' d d —内部扰动 —测量噪音 M 1. / ' 0 mf y y M P  d d f y F r       如果 完全准确反映对象 的输入 出关系。 且不考虑 , ,则 。系统开环,但 直接逆控制。 2. my y f y r F  e NNC  u     若 , 作用 惯性环节或积分 作用平滑 的变化,补偿 中的纯微分项, 以使 不进入饱和区。 ( )cG s ( )G z ( )dY z ( )U z ( )Y z ( )D z ( )cG s ( )G z ( )dY z ( )U z ( )Y z ( )D z ˆ ( )D z ˆ ( )G zˆ ( )D z ( )C z 6.神经前馈控制 常规控制器:PD控制。 r 对象控制器  u )ˆ( 1PNNC e  y  cu 1ˆ  PP NNC 的逆模型 前馈控制— PD控制 0 e PD e NNC    大 控制 5.2 神经网络自校正控制 利用NN的非线性函数的映射能力,可以 使它在自校正控制系统中充当未知系统函 数逼近器。 r 对象控制器  ku )ˆ( 1PNNC ˆky fˆ y  gˆ ( 1)y k ( )u k( 1)dy k  ( 1)y k ˆ( 1)y k  fˆ gˆ 1 1 1 2 1 1 2 / ( , ) ( , ) ( ) ( ), ( ) k k k k P k k k P k k k P k k k P y f y y y u u u  g y y y u u u u k y u g f                      考虑一个单输入 出系统(线性) 对象 其中 ——输出, ——输入。 非零函数。 1 ( ), ( ) ( ) ( ) ( ) k k k k  f g rfu g g y r        若在 已知条件下,根据“确定性等价 原则。 控制器的控制算法: 此时 能精确跟踪 ——期望输出 ( ), ( )f g NN 若 未知,则通过 学习训练来逼近上 述函数. 1 ( ) ( )k k k ky f y g y u   设被控对象为一阶系统: 0 1 2 0 1 2 0 0 [ , ], [ , ], ˆ ˆ[0, ] , [0, ] p qw w w w V V V V f w w y V V       去逼近对象模型. 其中 且 1 , ˆ ˆ[ , ( )] [ , ( )] ( )k k k NN y f y w k g y V k u k    通过 利用模型 ˆ ˆ( , ), ( , ) ( ) ( ) k k k k f y w g y V f y g y 假设 可以任意精度逼近 、 1 ˆ[ , ( )] ˆ ˆ[ , ( )] [ , ( )] k k k k k f y w k ru g y V k g y V k   则控制器输出: 1 1 ˆ[ , ( )]( ) ( ) { ˆ[ , ( )] } ˆ[ , ( )] k k k k k k k f y w ky f y g y g y V k r g y V k        故 1 1 1 2 2 1 1 1 1 1 1 1 1 ( ) 2 2 ˆ( ) [ , ( )]{ } ˆ( ) ( ) [ , ( )] ( ) k k k k k k k k k k k k k i k i k i e r y  E e r y E E y g y f y w ke w k y w k g y V k w k                         令 并定义输出误差 1 ˆ( ) [ , ( )]{ } ˆ( ) [ , ( )] ( ) k k k k i k i E g y f y w k e w k g y V k w k        1 1( ) ( ) k k k j k j E E y V k y V k         1 1 2 2 1 ˆ ˆ[ , ( )] [ , ( )]( ) ˆ[ , ( )] [ , ( )] ( ) ˆ( ) [ , ( )]{ } ˆ( ) [ , ( )] ( ) k k k k k k k j k k k k k j k j f y w k r g y V ke g y g y V k g y V k V k E g y g y V k u e V k g y V k V k                      ( 1) ( ) ( ) ( 1) ( ) ( ) , ( ) sgn( ( )) j k i i k i k j j k k k k k BP Ew k w k w k EV k V k V k g y g y               则 学习规则 学习速率 设 符号已知 第五章 神经网络控制方法�Neural Networks Control NNC 5.1 神经网络控制的结构 Slide Number 3 Slide Number 4 Slide Number 5 Slide Number 6 Slide Number 7 Slide Number 8 Slide Number 9 Slide Number 10 Slide Number 11 5.2 神经网络自校正控制 Slide Number 13 Slide Number 14 Slide Number 15 Slide Number 16 Slide Number 17 Slide Number 18 Slide Number 19 Slide Number 20 Slide Number 21
/
本文档为【第5章神经元网络控制】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。 本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。 网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
热门搜索

历史搜索

    清空历史搜索