神经网络在控制中的应用.ppt

RNNI的第一个输出轨迹第31页,共48页，星期六，2024年，5月RNNI的第二个输出轨迹第32页,共48页，星期六，2024年，5月5.2神经网络控制（3）神经网络间接自校正控制自校正调节器的目的是在控制系统参数变化的情况下，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。在这种控制方式中，神经网络(NN)用作过程参数或某些非线性函数的在线估计器。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)此时系统的传递函数为1第33页,共48页，星期六，2024年，5月5.2神经网络控制5.2.5神经网络学习控制神经网络学习控制系统将神经网络与常规误差反馈控制结合起来，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来控制对象。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。第34页,共48页，星期六，2024年，5月例：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。第35页,共48页，星期六，2024年，5月目标小球的特征特征提取XcYcZcxy(x,y)(XP,YP,ZP)Ocf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。第36页,共48页，星期六，2024年，5月控制系统：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。第37页,共48页，星期六，2024年，5月机器人视觉伺服控制系统的神经网络学习控制器第38页,共48页，星期六，2024年，5月神经网络结构ΔxΔyΔrΔθ1Δθ2Δθ3输入层隐含层输出层第39页,共48页，星期六，2024年，5月神经网络的学习：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：可以看出，网络在线训练的算法无需用到机械手和特征提取的模型信息，从而可以有效、快速地对神经网络进行在线学习和优化。第40页,共48页，星期六，2024年，5月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)第41页,共48页，星期六，2024年，5月*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变化曲线第42页,共48页，星期六，2024年，5月*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变化曲线第43页,共48页，星期六，2024年，5月*为神经网络学习控制；o为常规比例控制器控制半径r变化曲线第44页,共48页，星期六，2024年，5月基于神经网络学习控制的小球投影的变化曲线第45页,共48页，星期六，2024年，5月5.2神经网络控制5.2.6神经网络PID控制第46页,共48页，星期六，2024年，5月经典增量式数字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。输入节点对应所选的系统运行状态量,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。第47页,共48页，星期六，2024年，5月感谢大家观看第48页,共48页，星期六，2024年，5月CollegeofElectricalandInformationEngineering,HunanUniv.*关于神经网络在控制中的应用神经网络在