多层前馈神经网络在自动控制系统中的应用.pdfVIP

第26卷第2期 北京工业大学学报 vd．26№2 2000年6月 Jou附nLOFBEⅡING POLY_Ⅱ船}肿cuNⅣERsrrY Jun 2000 多层前馈神经网络在自动控制系统中的应用 蒋岚 (北京联合大学机械工程学院，北京，100020) 龚为廷 (北京工业大学自动化系，北京，100022) 摘要基于神经网络所具有的灵活强大的学习能力，提出了一种用多层前馈神经网络实现的控制器．该控制 器通过学习系统的逆动力学特性，能由系统反馈回的输入，输出状态及未来期望输出值直接得到应加在系统输 入螭的控制量．另外，通过引人系统的神经网络正向模型，可将系统输出端的误差经网络逐层反传，在线调节神 经厢络控制器的权重，从而使控崩器具有自学习能力，j2l适应控制对象参教的变化．确保良好的控崩效果． 关■词多层前馈种经网络，逆动力学特性-在线学习 分类号TP242．6 近几十年来，随着软件，硬件技术的迅速发展，出现了大量具有以下特点的控制过程：①可通过传感 器收集大量数据作样本；o涉及一批密集的数据，而这些数据又依赖多个相互关联的参数；0提供的数据 是有误差或有噪声的；固可得到的先验知识很少．在上述情形下，若采用经典控制理论和现代控制方法， 往往由于建模困难或缺少先验知识而难以实现稳定精确的控制，而此时采用人工神经网络技术恰能发挥 它的优势．本文提出的具有自学习能力的神经网络控制器正是针对具有上述特点的控制过程提出的，希 望它能成为神经网络用于智能控制的例证．4 l Ne栅ork 神经网络控制器(Neural ControⅡer)的结构及算法 本文采用的是前馈多层神经网络，它由输入层、隐古层及输出层构成…．目前理论上已证明，具有s 形转移函数隐含层的多层前馈神经网络具有逼近任意函数及其各阶导数的能力”1．本文基于神经网络的 这个性质，提出了利用前馈多层网络学习系统的逆动力学特性，以实现对系统直接控制的方案，针对本文 的具体控制对象(日本生产RM50l机器人)，采用如图l所示的神经网络结构．图中网络输入分别为☆一 的期望输出y。(女+1)．它们均正规化到【一l，+1】之间．网络输出为≈时刻所需的加于系统的控制量 “(k1．因此，网络输人层、输出层结点数分别为4、l，隐含层结点数取4．另外，输入层、隐含层各包含一个 偏置结点，用来表示隐含层和输出层结点的阈值，偏置结点同其它结点一起参与连接权重的调节过程．神 经网络的输入层、输出层各结点均采用线性转移函数．其中隐函层结点的转移函数为sigInoid函数． 网络的输入输出结构确定后，可着手采集训练样本，为保证所取样本能全面反映系统特性，可在系统 运行范围内随机选取控制信号蜥输入给未知系统，测量其相应输出y，由某一时刻的蚧y及其前若干时刻 的输人输出状态值组成一个训练样本组，并以大量这样的样本组对网络进行训练，训练过程如图2所示． 本文采用的学习算法为基于梯度下降的BP算法…．训练时既可采用批训练方式，也可采用递推训练 的方法．采用批训练方式时，将所有样本一次性都输入给网络，然后利用所有样本的总体输出误差进行反 传调节各层网络权重；采用递推训练方法时，每次只输入一个样本对，边输入变调节，因此应省去公式中对 收稿日期：1999m6-17 万方数据 里!塑 堕塑!!兰星堕堕塑丝墅塑童皂垫丝型墨苎!塑生旦 !!! 样本t的求和项．本文在离线训练时，采用批处理方式，具体流程如框图3所示． 输^层 隐古层 输出层 ¨