智能控制第三版-神经网络控制.pptVIP

如果定义Lyapunov函数 则 这说明在 固定条件下，控制系统的稳定依赖于 ，即 对 的逼近精度及干扰 的大小。 采用RBF网络对不确定项f进行逼近。理想的RBF网络算法为： 其中x为网络的输入信号， 。 9.9.2 针对进行逼近的控制 1．控制器的设计 采用RBF网络逼近，则RBF神经网络的输出为： （9.71） 取 ， 设计控制律为： （9.72） 其中 v 为用于克服神经网络逼近误差 的鲁棒项。 将控制律式（9.72）代入式（9.68），得： （9.73） 其中 。 将鲁棒项v设计为： （9.74） 其中 ， 。 2．稳定性及收敛性分析 定义Lyapunov函数： 则 将（9.73）式代入上式，得 根据机器人特性有 。取 ，即神经网络自适应律为： （9.75） 则 由于 则 9.9.3 仿真实例 选二关节机器人力臂系统，其动力学模型为： 其中 ， 取 。RBF网络高斯基函数参数的取值对神经网络控制的作用很重要，如果参数取值不合适，将使高斯基函数无法得到有效的映射，从而导致RBF网络无效。故C按网络输入值的范围取值，取 ，网络的初始权值取零， 网络输入取 。 系统的初始状态为 ，两个关节的位置指令分别为 ， ，控制参数取 ， ， ，在鲁棒项中，取 ， 。 采用Simulink和S函数进行控制系统的仿真。首先采用针对 进行逼近的控制器子程序chap9_6ctrl.m，控制律取式（9.72），自适应律取式（9.75），仿真结果如图9-31至图9-33所示。 图9-31 关节1及关节2的位置跟踪 图9-32 关节1及关节2的控制输入 图9-33 关节1及关节2的 及其逼近 9.10神经网络数字控制 9.10.1基本原理 在工程实际中，控制算法一般在计算机或DSP中实现，这就需要将控制算法离散化。本节讨论神经网络自适应控制律的数学化实现方法。 数字控制系统结构如图9-34所示，其中控制器为数字控制算法，被控对象的输入、输出为模拟信号，通过D/A和A/D与数字信号相连接。数字控制算法的程序