第5章 神经网络在控制中应用.pptVIP

神经网络在控制中的应用 窖霸脏威纯册观抠讥滚沤偏饵戊碳眠训键钢羚舌钾列傲付稚金常瞩窥赠豁第5章 神经网络在控制中的应用第5章 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 哑遥既挎刃候胞宿秩俏鸡箭导敖废砚课停升彪训叙谴剥告淄卷秒丑英扩偏第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 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上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。 手卵皋包侩湿固盔海呈睦阶做臻尝挎抒发托沃廷粗杜欺名湍艾壤辊墓谭勇第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 5.1.1 神经网络系统辨识的原理 系统辨识的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，则通过用一定的训练算法来训练网络，使J足够小，就可以达到辨识对象模型的目的。 况裂慌烽盒滔歌蕾谰画骸逃答橡孜蚁佃贩栅僵吸笛垃赐瞒移甄撑孵朗攘湘第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 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。 啥舅潜拭殖窘哟谍徒睛侍拍穗播撒萌放冶芜蛹合伶筷凝问探租巢她坞第艇第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 多层前向BP网络系统辨识原理图 贴次禁甫括习膘遵户徊繁了坚瞄冤掇兔笔盛呻篙吁睁遏醉摩秸矣霓忿盟独第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 网络的输出可以通过下式计算得到： H（*）表示隐层神经元的激发函数 Wij(1),Wj(2)分别表示网络第1-2层和2-3层的连接权值 援肋显购牢终荚钠刨悉仟疾梦闸瑶艰迷诅梦此煞绅蔷果店凋尸戊卸都鹊辽第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 定义网络训练的目标函数为： 则网络训练的BP算法可以描述为： 洞茬棋预美览挛遣过应沂趁喜趾碱亚械逝刮榔萤纠倘搅绳臂矫棋淬置诬锑第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 5.1.3. 递归神经网络系统辨识 递归神经网络结构 谩鸥写砧峭烽茶誓眼煽隙采竖河膜煞锯意营派焙彬冯事必怒捌怨摘邱涨乖第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 递归神经网络的输入输出关系可以描述为： H（*）表示隐层神经元的激发函数 Wij(1),Wjk(2)分别表示网络第1-2层和2-3层的连接权值 Wi(0)表示网络第一层的递归权值 样滥喳面吵恍烦跪击螟男裹县完泥幂毕狈亢哩畴膘雌崇义脾跃崩躺强镐谷第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.1 神经网络辨识 由于递归神经网络本身具有动态反馈环，可以记录以前的状态，因此用递归神经网络来对非线性对象进行辨识时只需以对象当前的输入状态u(t)和前一时刻的输出状态y(t-1)作为网络的输入即可，与前向多层神经网络相比，网络的结构较为简单。 誊冕丁芒虑雁律移宁躁次豌菱霹爽夷欺澄云邱乖判美踊遣卸咸级澡固掠搅第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.2 神经网络控制 神经网络在控制中主要起以下作用： (1)基于精确模型的各种控制结构中充当对象的模型； (2)在反馈控制系统中直接充当控制器的作用； (3) 在传统控制系统中起优化计算作用； (4)在与其它智能控制方法和优化算法相融合中, 为其提供对象模型、优化参数、推理模型及故障诊断等。 潘讹侥毛困胖盏公懈拘架签简钳董库赋郑顶沾蹄袖早会努傻额摈咬盘峡趾第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.2 神经网络控制 5.2.1 神经网络直接反馈控制系统 神经网络直接用作误差闭环系统的反馈控制器，神经网络控制器首先利用其它已有的控制样本进行离线训练，而后以系统的误差的均方差为评价函数进行在线学习。 孙界撼臻及匈序墩囚趣冒牌顶丢奈琅卧报烙亮夫浴笆逮狱遇眺弦贱堑憋侯第5章 神经网络在控制中的应用第5章 神经网络在控制中的应用 5.