智能技术课件-第九讲-神经网络控制的学习机制.ppt

1、第九讲 神经网络控制的学习机制1 离线学习 这种学习方法是通过对一批系统的样本输入输出数据的学习建立一个系统的逆模型。然后用这个逆模型去进行在线控制。一旦离线学习结束，神经网络的学习就停止了。所以在变化环境下，无法适用。在线学习在线学习的目的是寻找一个最优控制量u使系统的输入趋于期望输出权阵的调节应使ydy的误差减小最快。设 非线性系统模型为 yf（u，t）选控制器为多层感知器神经网络。取最优性能指标函数为21()2pdEyy k权阵的学习规则通过梯度寻优发来求得，即 (1)()()()()()()()()()()()pjijijijidjijidjiEkky kyky kky ku kyky

2、 ku kk ()()y ku k()()jiu kk如果系统模型已知，则 可以求得，而 则利用广义的Delta规则来计算。对于已知Jacobian矩阵的系统，其求逆网络控制器的学习已经解决。()()y ku k反馈误差学习反馈误差学习结构如下在这种结构中，把反馈控制的输出做为网络控制器的训练 信号。在这里神经网络控制器就相当于前馈控制器。由于直接使用系统的误差信号去更新控制网络的权阵，忽略了非线性系统本身的动态性能，有可能导致学习算法产生发散现象。这种控制结构只适用于非线性系统线性绝对占优条件下的网络学习。多网络学习多网络学习有两种结构，一种是前向建模多网络控制结构，另一种是逆模型建模的多网

3、络控制结构。神经网络控制器设计-神经网络直接逆模型控制神经网络直接逆模型控制1Z1nZ 自接逆控制的训练结构 mZ1Z1Z1Z1nZ mZ神经网络控制器设计-神经网络直接逆模型控制神经网络直接逆模型控制考虑如下系统y(k+1)=f y(k-1),.y(k-n+1),u(k),.u(k-m)如果系统可逆，则存在函数g，有u(k)=g y(k+1),.y(k-n+1),u(k-1),u(k-m)对上式，若用多层前向传播神经网络来实现，则网络的输出关系为uN（X）uN为神经网络的输出；为神经网络的输入输出关系式，用它来逼近被控系统的逆模型函数g；X为神经网络输入矢量，X y(k-1),.y(k-n+

4、1),u(k),.u(k-m)T直接逆模型控制的目的是产生一个期望的控制量，使系统在 该控制下，得到期望的输出。为此将神经网络输入矢量X中的y(k+1)用期望的系统输出值yd(k1）代替，即就可以通过神经网络产生期望的控制量u。(1),(),.(1),(1),.()TdXyky ky knu ku km训练方法：被控系统的实际输入输出序列是y(k)u(k-1)y(k-1)u(k-2)y(k-n-P+1)u(k-n-P-1)由此可以构成神经网络的输入矢量样本（544）（546）(,)(1)().(1)(1).()(,1)()(1).()(2).(1).(,)(1)().(TTX k ky ky

5、ky knu ku kmX k ky ky ky kn u ku kmX k kPy kPy kPy k 1)(1).()TnPu kPu kmP 取目标函数 12012101(,)()()20.1PpNppPPE k Pu kpukp常量系数，且 547 直接逆模型控制的直接逆模型控制的BPBP学习算法学习算法1）随机选取初始权系数阵W0，选定步长、遗忘因子p 最大误差Emax2）按式（544）（546）构成神经网络输入矢量样本3）l04）Wl+1 Wl0 计算各神经元的输出5）按（5-47）计算误差，如果E(k,P)Emax，则结束，否则继续6）求反向传播误差101()()2()()Pjp

6、Npjqqjjqu kpukpNet 输出层隐含层7）调整权系数阵 (1)(1)jijijijiji 8）l l+1,转到 4）神经网络控制器设计-神经网络直接控制神经网络直接控制系统结构如下图举例说明 1）选目标函数为 21()()2pdEEyky k2）选四层前向传播神经网如上图结构。假设输出层为线性 单元。其余为Sigmoid激励单元。学习规则为22(1)()()()()(1)1()()1(2)(3)(1)ijijpjpjpjddpjpjpjpjijkkdy kyky kdu kyky kykyk 输出层隐含层3）取直接网络控制的神经网结构为 5，25，12，14）选 =0.055)设期望输出为26()sin0.2sin100100dkkyk经过100次学习后，均方误差已经小于0.005