神经网络控制学习课件.pptVIP

4.5.2 NN直接逆控制 两种结构方案： 4.5.3 NN自适应控制 NN自校正控制： * NN直接STC：结构基本上与直接逆控制相同，由一个NN控制器和一个能在线修正的NN估计器组成。 4.5.3 NN自适应控制 NN自校正控制 * NN间接STC：由一个常规控制器和一个具有离线辨识能力的NN估计器组成，NN估计器需要具有足够高的建模精度。 4.5.3 NN自适应控制 NN参考自适应控制 * NN直接MRAC：NNC的主要作用是使被控对象与参考模型的输出之差极小，由于误差的反向传播必须确知被控对象的数学模型，这给NNC的学习和修正带来了很多问题 4.5.3 NN自适应控制 NN参考自适应控制 * NN间接MRAC：NNI首先离线辨识被控对象的正向模型，并可由ei(t)进行在线学习修正，NNI为NNC提供误差ec(t)或其变化率的反向传播通道 4.5.4 NN内模控制 系统结构： - 系统的正向模型NN2直接与实际系统并联，二者之差作为反馈信号，由前向通道的滤波器和NN1控制器处理，NN1控制器直接与系统的逆有关，引入滤波器的目的是为了获得期望的鲁棒性和跟踪响应。 4.5.5 NN预测控制 系统结构： 4.5.5 NN预测控制 系统结构： - NNP建立被控对象的预测模型，并可在线学习修正，利用此预测模型，可由目前的控制输入u(t)预报出被控对象在将来一段时间范围内的输出值： - 非线性优化器NLO使如下二次型性能指标极小，以便得到适宜的控制作用u(t)： 4.5.5 NN预测控制 控制步骤： - 计算未来的期望输出序列 - 利用NN预测模型，产生预报输出 - 计算预报误差 - 极小化性能指标J，获得最优控制序列 - 采用第一控制量u(t) ，然后返回第一步 4.5.6 NN自适应判断控制 基本思想： - 应用强化学习的机理，通常由自适应判断网络AJN和控制选择网络CSN两个网络组成 - AJN相当于强化学习需要的教师，其作用： (1) 通过不断的奖惩强化学习，使AJN逐渐训练成一个熟练的教师；(2) 经过学习后，根据被控系统的当前状态和外部强化反馈信号r(t)，产生一强化信号，然后提供内部强化信号 ，以便判断当前控制作用的效果。 - CSN相当于多层前馈NN控制器，它在内部强化信号的引导下学习，通过学习，根据系统编码后的状态在允许控制集中选择下一步的控制作用 4.5.6 NN自适应判断控制 系统结构： 4.5.7 NN混合控制 基本思想： - 该控制方法是集成人工智能各分支的优点，由神经网络与模糊控制、专家系统等相结合而形成的一种具有很强学习能力的智能控制系统。其中，由神经网络和模糊控制相结合构成模糊神经网络，由神经网络和专家系统相结合构成神经网络专家系统等。神经网络混合控制可使控制系统同时具有学习、推理和决策能力 4.6 Matlab神经网络工具箱 NN Toolbox包括了多种神经网络模型： - 感知器网络 - 线性神经网络 - BP网络 - 径向基神经网络 - 自组织神经网络 - 反馈网络 4.6 Matlab神经网络工具箱 如下函数对任何神经网络都适用： init —— 初始化函数 sim —— 仿真函数 train —— 训练函数 adapt —— 自适应学习 new* —— 生成新网络 newc 竞争网络newcf 级联前向网络newelm elm网络newff 前向网络newfftd 时延前向网络newgrnn 广义回归网络newhop Hopfield网络newlin 线性网络newlind 线性网络设计newlvq 学习向量量化newp 感知器newpnn 概率newrb 径向基网络newrbe 严格径向基newsom 自组织映射 4.6 Matlab神经网络工具箱 感知器神经网络函数 生成网络：newp 初始化网络：init，initlay，initwb，initzero 学习规则：learnp，learnpn 变换函数：hardlim，hardlims 画图：plotpv，plotpc 4.6 Matlab神经网络工具箱 线性神经网络函数 生成网络：newlin 设计网络：newlind 学习规则：learnwh 变换函数：purelin 4.6 Ma