第五章神经网络在控制中的应用资料.pptVIP

RNNI的第一个输出轨迹 RNNI的第二个输出轨迹 5.2 神经网络控制 （3） 神经网络间接自校正控制 自动调整控制器参数，消除扰动的影响，以保证系统的性能指标。 假设被控对象的模型为 yk+1＝f(yk)+g(yk)·uk 则用神经网络对非线性函数f(yk)和g(yk)进行辨识，假设其在线计算估计值fd(yk)和gd(yk)，则调节器的自适应控制律为 uk=(yd -fd(yk)/gd(yk) 系统的传递函数为1 5.2 神经网络控制 5.2.5 神经网络学习控制 首先用NN学习对象的逆动力学模型，然后用NN作为前馈控制器与误差反馈控制器构成复合控制器。系统以反馈控制器的输出作为评价函数来调节神经网络的权值。这样，在控制之初，反馈控制器的作用较强，而随着控制过程的进行，NN得到越来越多的学习，反馈控制器的作用越来越弱，NN控制器的作用越来越强。 例：三关节机器人视觉伺服系统神经网络学习控制 问题描述： 利用摄像机观测目标小球与机器人末端手爪之间的相对位置，由此构成位置反馈，由相关控制器指挥机器人进行运动，使其末端手爪到达小球。 目标小球的特征 特征提取 Xc Yc Zc x y (x,y) (XP,YP,ZP) Oc f 目标在成像平面的特征可以分解为：目标中心点在成像坐标系的坐标（x，y）以及目标的半径r。 控制系统： 视觉伺服问题可以转化为：根据目标特征与期望特征的误差，通过控制器控制机器人运动，使目标特征到达期望特征。 机器人视觉伺服控制系统的神经网络学习控制器 神经网络结构 Δx Δy Δr Δθ1 Δθ2 Δθ3 输入层 隐含层 输出层 神经网络的学习： 神经网络以常规控制器的输出up的最小化为目标进行学习。 如果学习的目标函数定义为： J＝1/2(u-un)2 其中u为复合控制器的输出，un为网络的输出。 那么，根据BP算法可得网络在线训练时的权值修正算法为： 控制结果 机械手的具体参数为： L1=300cm； L2=260cm； L3=260cm。 摄像机的焦距: f =50cm。 目标小球的半径为: 10cm。 摄像机在基座坐标系的初始坐标为(490，79，337)。 期望图像特征为： Xd＝0,Yd＝0，Rd＝10 目标小球中心在基座坐标系的坐标为: (300，300，200) *为神经网络学习控制； o为常规比例控制器控制 图像坐标X变化曲线 *为神经网络学习控制； o为常规比例控制器控制 图像坐标Y变化曲线 *为神经网络学习控制； o为常规比例控制器控制 半径r变化曲线 基于神经网络学习控制的小球投影的变化曲线 5.2 神经网络控制 5.2.6神经网络PID控制 经典增量式数字PID 的控制算法为： NN 是一个三层BP 网络, 有M个输入节点、N 个隐含节点、3 个输出节点。输入节点对应系统运行状态量, 输出节点分别对应PID 控制器的3 个可调参数kp , ki , kd 。 网络根据性能指标J=1/2(r-y)2进行在线学习，则可以及时更新PID控制器的参数，使系统误差在不确定严重的情况下保持最小。 试验结果： 受控对象模型： 系统仿真阶跃响应曲线 College of Electrical and Information Engineering, Hunan Univ. * 神经网络在控制中的应用 神经网络在控制中的应用 神经网络辨识技术 神经网络控制技术 5.1 神经网络辨识 系统辨识是自适应控制的关键所在，它通过测量对象的输入输出状态来估计对象的数学模型，使建立的数学模型和对象具有相同的输入输出特性。 神经网络对非线性函数具有任意逼近和自学习能力，为系统的辨识，尤其是非线性动态系统的辨识提供了一条十分有效的途径。 神经网络系统辨识实质是: 选择一个适当的神经网络模型来逼近实际系统的数学模型。 5.1 神经网络辨识 5.1.1 神经网络系统辨识的原理 系统辨识原理就是通过调整辨识模型的结构来使e最小。 在神经网络系统辨识中，神经网络用作辨识模型，将对象的输入输出状态u，y看作神经网络的训练样本数据，以J=1/2e2作为网络训练的目标，通过一定的训练算法来训练网络，使J足够小，就可达到辨识对象模型的目的。 5.1 神经网络辨识 5.1.2多层前向BP网络的系统辨识 假设非线性对象的数学模型可以表示为： 其中f是描述系统特征的未知非线性函数，m，n分别为输入输出的阶次。则可以利用多层前向BP网络来逼近非线性函数，进而估计对象的模型。 5.1 神经网络辨识 多层前向BP网络系统辨识原理图