神經网络自适应控制的原理.docVIP

神经网络自适应控制的原理 自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应控制系统存在某种类型的闭环系统性能反馈。原理图如下： 图2-7 自适应控制机构框图 人工神经网络(简称ANN)是也简称为神经网络（NN）或称作连接模型是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理这一定义是恰当的。 神经网络的研究，可以追溯到1957年Rosenblatt提出的感知器模型。目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP算法，Hopfield网络模型，自适应共振理论，自组织特征映射理论等。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方面。 理论研究可分为以下两类： 利用神经生理与认知科学研究人类思维以及智能机理。 利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论 应用研究可分为以下两类： 1）神经网络的软件模拟和硬件实现的研究。 2）神经网络在各个领域中应用的研究。 （1）能够充分逼近任何复杂的非线性关系； （2）全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强的容错性和鲁棒性； （3）使用并行分布处理的方式，让大量运算成可以快速完成； 神经网络自适应控制有两种基本结构形式，( NNMRAC)，(NNSTC)。神经网络模型参考自适应控制又分为直接型与间接型。结构如图（2 -8）所示。构造一个参考模型使其输出为期望输出，控制的目的是使y跟踪。 (a) 直接型 (b) 间接型 图2-8 神经网络模型参考自适应控制结构 由于被控对象特性未知，2-8（b）结构较好，NNI和NNC分别表示在线辨识器和控制器。NNC的作用是通过在线训练使受控对象输出与参考模型的输出之差最小。由于对象特性未知，NNC训练造成困难。目前的做法是增加神经网络辨识器NNI，，，，，，， 神经网络自校正控制结构如图(2-9)所示 图2-9 神经网络自校正结构 它由两个回路组成: (1)自正控制器与被控对象构成的反馈回路。(2)NNI与控制器设计，， 2.3.2神经网络模型及算法 人工神经网络是源于人脑神经系统的一类模型，，，，: ( 1) 神经元的特性; ( 2) 神经元之间相互连接的形式是拓扑结构; ( 3) 为适应环境而改善性能的学习规则。 神经网络是人脑的某种抽象简化和模拟，是具有高度非线性的系统。其物理模型虽有多种。但基本运算可归结为四种: 积与权值学习、阈值处理和非线性函数处理。 从宏观上，四:前馈、反馈、自组织与随机型。神经网络的发展史，三:40~ 60 年代的,发展初期; 70年代的研究低潮;80年代至今，， 2.4多层前馈网络及BP 算法 基于误差反向传播( Error Back Propagation)算法的多层前馈网络(Multiple Layer Feed forward Network)(简称BP网络)可以任意精度逼近任意的连续函数所以广泛应用于非线性建模、函数逼近、模式分类等方面。虽然BP神经网络是目前应用最广泛、研究较多的一种网络。但是关于它的开发设计目前为止还没有一套完整的理论。 拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。 BP神经网络，即误差反传