人工神经网络理论及应用课件.ppt
- 【下载声明】
1. 本站全部试题类文档,若标题没写含答案,则无答案;标题注明含答案的文档,主观题也可能无答案。请谨慎下单,一旦售出,不予退换。
2. 本站全部PPT文档均不含视频和音频,PPT中出现的音频或视频标识(或文字)仅表示流程,实际无音频或视频文件。请谨慎下单,一旦售出,不予退换。
3. 本页资料《人工神经网络理论及应用课件.ppt》由用户(三亚风情)主动上传,其收益全归该用户。163文库仅提供信息存储空间,仅对该用户上传内容的表现方式做保护处理,对上传内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知163文库(点击联系客服),我们立即给予删除!
4. 请根据预览情况,自愿下载本文。本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
5. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007及以上版本和PDF阅读器,压缩文件请下载最新的WinRAR软件解压。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工 神经网络 理论 应用 课件
- 资源描述:
-
1、人工神经网络理论及应用人工神经网络理论及应用屈桢深哈尔滨工业大学哈尔滨工业大学11. 神经网络控制神经网络控制n神经网络控制基础神经网络控制基础n神经神经PID控制控制nNARMA控制控制n神经神经模型参考自适应控制模型参考自适应控制n其他控制方法其他控制方法(MPC等等) NN控制基础n 是将神经网络在相应的控制结构中做控制器、辨识器n 主要是为解决复杂的非线性、不确定、不确知系统,在不确定、不确知环境中的控制问题n 使控制系统稳定、鲁棒性好,具有要求的动态、静态性能NN控制与已有控制方法关系n 能对变化的环境具有自适应性,且成为基本上不依赖于模型的一类控制,因此,神经控制已成为 “智能控制
2、”的一个新的分支n 将具有学习能力的控制系统称为学习控制系统。NN控制是有学习能力的,属于学习控制控制系统设计过程控制系统分析正问题求解:(1)已知控制系统中各环节结构、参数;(2)已知被控对象所处的环境求解控制系统的稳定性、动态、稳态特性。控制系统设计(综合)逆问题求解: 有多种解法,可选择不同的控制结构,确定不同的准则函数。确定性系统NN控制设计已知对象特性及外加扰动是确定性的,时不变的;已知系统期望输出r,要求的性能指标。控制系统的设计:控制系统的设计: 设计控制器,校正对象的特性,使控制系统达到要求的性能指标,即使控制系统在r作用下,由控制器给出的控制量u作用于对象,使其输出y跟踪r
3、。 对于确定性系统与环境,选择某种控制结构,可设计出确定参数的控制器。不确定环境下NN控制设计 对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统的设计问题,是控制领域研究的核心问题。神经控制是解决问题的一条途径。 在已知被控对象的一些先验知识情况下:n 由神经网络做辨识器,在线识别对象模型,由于网络的学习能力,辨识器的参数可随着对象、环境的变化而自适应的改变。n 由神经网络做控制器,其性能随着对象、环境的变化而自适应的改变(通过神经辨识器)。 神经网络系统实现(硬件) 神经控制绝大多数是数字控制,用数字量实现对被控对象的控制,讨论连续对象用数字计算机实现的神经控制问题。 神经控制系统
4、的组成神经控制系统的组成 (1)硬件 连续被控对象 神经控制器 模拟输入通道 模拟输出通道 实时时钟神经网络系统实现示意图(硬件) )(te)(tr - )(tu )(ty 模拟输出通道 模拟输入通道 A/D 神经控制器 D/A 保持器 对象 (过程) 实时时钟 采样 开关 神经PID控制n PID控制是 工业过程控制中常用的控制方法,因PID控制器结构简单、实现简易,且能对相当一些工业对象(或过程)进行有效的控制。n 常规PID控制局限性在于 控制对象具有复杂的非线性特性,难以建立精确的数学模型,且由于对象和环境的不确定性,往往难以达到满意的控制效果。n 神经PID控制是 针对上述问题而提出
5、的一种控制策略。经典数字PID控制器数字PID控制基本算式各部分作用:设计目标:调整kp, ki, kd.使用经典PID设计,得到常数系数。 11kpidtu kk e kke kke ke k是 PID 控制器的三个系数。 用网络的学习能力,对象与扰动变化时,辨识的对象模型随着变化,神经 PID 控制器的权系值不断的调整,使控制系统能适应环境,实现有效控制。 神经 PID 控制器用动态神经网络,其中的神经网络用自适应线性神经元。 输入: c ke kcke kc ke ke ke kjk12031( )( )( )( )( )( )( )() 输出: u kv c kv ckv c k( )
6、( )( )( )1 12233 vi:NNC 的权值,i=1,2,3 神经PID控制器基本思想神经PID控制结构 PID 控制器 e - y u y - r 2e 1e - 对象 学习算法 学习算法 NNC NNI 由辨识器NNI在线辨识对象,对控制器NNC的权系数进行实时调整,使系统具有自适应性,从而达到控制目的。 准则函数: Ekr ky kek22221211121( ) ()()() NNC 网络权值调整用梯度下降法: v kEkv keky kv keky ku ku kv kiiii( )( )( )()()( )()()( )( )( ) 2222221111 u kv kc
7、kii( )( )( ),代入上式,有 v kekcy ku kii( )()()( )2211 ()( )()( )( )( )( )( )y ku ky ko ko kx kx ku kiiiii11神经PID控制器学习算法 由神经网络辨识器计算得出 1y ku kNARMA模型及NARMA控制NARMA模型:当系统相对阶为d时,则有:系统控制问题:选择使) 1(,),1(),();1(,),1(),() 1(nkukukunkykykykyF) 1(,),1(),();1(,),1(),()(nkukukunkykykydkyF) 1(,),1(),();();1(,),1(),()(n
8、kukukudkynkykykyGkur0)()(limkykyrkNARMA-L1模型在U=0处展开,有:控制算法:UY;)(FdkyUUYTUddFFdky00 ;)(100)() 1(,),1(),() 1(,),1(),(niiikunkykykygnkykykyf 0110()( ), (1), (1)( ), (1), (1)()( ), (1), (1)rniiy kdfy ky ky kngy ky ky knu kiu kgy ky ky knNARMA-L2模型在u(k)=0处展开,有:因此,控制量可取:) 1(,),1() 1(,),1(),()(0nkukunkykyk
展开阅读全文