最新第九章-神经网络控制课件PPT.ppt 82页

'第九章-神经网络控制 从控制角度来看，神经网络用于控制的优越性主要表现为：（1）神经网络可处理那些难以用模型或规则描述的对象；（2）神经网络采用并行分布式信息处理方式，具有很强的容错性；（3）神经网络在本质上是非线性系统，可以实现任意非线性映射。神经网络在非线性控制系统中具有很大的发展前景； （4）神经网络具有很强的信息综合能力，它能够同时处理大量不同类型的输入，能够很好地解决输入信息之间的互补性和冗余性问题；（5）神经网络的硬件实现愈趋方便。大规模集成电路技术的发展为神经网络的硬件实现提供了技术手段，为神经网络在控制中的应用开辟了广阔的前景。 根据神经网络在控制器中的作用不同，神经网络控制器可分为两类，一类为神经控制，它是以神经网络为基础而形成的独立智能控制系统；另一类为混合神经网络控制，它是指利用神经网络学习和优化能力来改善传统控制的智能控制方法，如自适应神经网络控制等。综合目前的各种分类方法，可将神经网络控制的结构归结为以下七类。2神经网络控制结构 2.1神经网络监督控制通过对传统控制器进行学习，然后用神经网络控制器逐渐取代传统控制器的方法，称为神经网络监督控制。神经网络监督控制的结构如图9-1所示。神经网络控制器实际上是一个前馈控制器，它建立的是被控对象的逆模型。神经网络控制器通过对传统控制器的输出进行学习，在线调整网络的权值，使反馈控制输入趋近于零，从而使神经网络控制器逐渐在控制作用中占据主导地位，最终取消反馈控制器的作用。一旦系统出现干扰，反馈控制器重新起作用。这种前馈加反馈的监督控制方法，不仅可以确保控制系统的稳定性和鲁棒性，而且可有效地提高系统的精度和自适应能力。 图9-1神经网络监督控制 2.2神经网络直接逆动态控制神经网络直接逆控制就是将被控对象的神经网络逆模型直接与被控对象串联起来，以便使期望输出与对象实际输出之间的传递函数为1。则将此网络作为前馈控制器后，被控对象的输出为期望输出。显然，神经网络直接逆控制的可用性在相当程度上取决于逆模型的准确精度。由于缺乏反馈，简单连接的直接逆控制缺乏鲁棒性。为此，一般应使其具有在线学习能力，即作为逆模型的神经网络连接权能够在线调整。 图9-2为神经网络直接逆控制的两种结构方案。在图9-2(a)中，NN1和NN2为具有完全相同的网络结构，并采用相同的学习算法，分别实现对象的逆。在图9-2(b)中，神经网络NN通过评价函数进行学习，实现对象的逆控制。 （a） 图9-2神经网络直接逆控制（b） 2.3神经网络自适应控制与传统自适应控制相同，神经网络自适应控制也分为神经网络自校正控制和神经网络模型参考自适应控制两种。自校正控制根据对系统正向或逆模型的结果调节控制器内部参数，使系统满足给定的指标，而在模型参考自适应控制中，闭环控制系统的期望性能由一个稳定的参考模型来描述。 1神经网络自校正控制神经网络自校正控制分为直接自校正控制和间接自校正控制。间接自校正控制使用常规控制器，神经网络估计器需要较高的建模精度。直接自校正控制同时使用神经网络控制器和神经网络估计器。（1）神经网络直接自校正控制在本质上同神经网络直接逆控制，其结构如图9-2所示。 （2）神经网络间接自校正控制其结构如图9-3所示。假设被控对象为如下单变量仿射非线性系统：若利用神经网络对非线性函数和进行逼近，得到和，则控制器为：其中为时刻的期望输出值。 图9-3神经网络间接自校正控制 2.神经网络模型参考自适应控制分为直接模型参考自适应控制和间接模型参考自适应控制两种。（1）直接模型参考自适应控制如图9-4所示。神经网络控制器的作用是使被控对象与参考模型输出之差为最小。但该方法需要知道对象的信息。 图9-4神经网络直接模型参考自适应控制 （2）间接模型参考自适应控制如图9-5所示。神经网络辨识器NNI向神经网络控制器NNC提供对象的信息，用于控制器NNC的学习。 图9-5神经网络间接模型参考自适应控制 2.4神经网络内模控制经典的内模控制将被控系统的正向模型和逆模型直接加入反馈回路，系统的正向模型作为被控对象的近似模型与实际对象并联，两者输出之差被用作反馈信号，该反馈信号又经过前向通道的滤波器及控制器进行处理。控制器直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。图9-6为神经网络内模控制，被控对象的正向模型及控制器均由神经网络来实现。 图9-6神经网络内模控制 2.5神经网络预测控制预测控制又称为基于模型的控制，是70年代后期发展起来的新型计算机控制方法，该方法的特征是预测模型、滚动优化和反馈校正。神经网络预测控制的结构如图9-7所示，神经网络预测器建立了非线性被控对象的预测模型，并可在线进行学习修正。利用此预测模型，通过设计优化性能指标，利用非线性优化器可求出优化的控制作用。 图9-7神经网络预测控制 2.6神经网络自适应评判控制神经网络自适应评判控制通常由两个网络组成，如图9-8所示。自适应评判网络通过不断的奖励、惩罚等再励学习，使自己逐渐成为一个合格的“教师”，学习完成后，根据系统目前的状态和外部激励反馈信号产生一个内部再励信号，以对目前的控制效果作出评价。控制选择网络相当于一个在内部再励信号指导下进行学习的多层前馈神经网络控制器，该网络在进行学习后，根据编码后的系统状态，再允许控制集中选择下一步的控制作用。 图9-8神经网络自适应评判控制 2.7神经网络混合控制该控制方法是集成人工智能各分支的优点，由神经网络技术与模糊控制、专家系统等相结合而形成的一种具有很强学习能力的智能控制系统。由神经网络和模糊控制相结合构成模糊神经网络，由神经网络和专家系统相结合构成神经网络专家系统。神经网络混合控制可使控制系统同时具有学习、推理和决策能力。 3自适应神经网络PID控制神经网络的PID控制系统如下图所示，图中r(k)为系统给定输入，转换器将被控对象的状态量y(k)、y(k-1)、…、y(k-n)及给定值r(k)等输入信号转换为神经网络学习控制所需要的状态量Xi(k)(i=1,2,…,n),神经网络中Wi(k)是相应于Xi(k)的加权值，它由学习算法进行自适应调整，神经元的输出为：△U(k)= 图自适应神经网络的PID控制系统 在上图所示系统中，选择不同的神经网络的输入量Xi(k),将对控制性能产生较大影响。转换器按PID控制方式输出Xi(k)，即取:n=3X1(k)=e(k);X2(k)=e(k)-e(k-1);X3(k)=e(k)-2e(k-1)+e(k-2);其中:e(k)=r(k)-y(k).控制器的输出为：△U(k)=W1(k)e(K)+W2(k)[e(k)-e(k-1)]+W3(K)[e(k)-2e(k-1)+e(k-2)]上式系数W1(k)、W2(k)、W3(k)由神经元学习算法进行自适应调整，从而提高了控制器的鲁棒性。 自适应神经元学习控制算法为：△U(k)=△其中:>0,为学习速率。同9.3类似 4RBF神经网络径向基函数(RBF-RadialBasisFunction)神经网络是由J.Moody和C.Darken在80年代末提出的一种神经网络,它是具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接收域（或称感受域-ReceptiveField）的神经网络结构，因此，RBF网络是一种局部逼近网络，已证明它能任意精度逼近任意连续函数。 RBF网络特点(1)RBF网络的作用函数为高斯函数，是局部的，BP网络的作用函数为S函数，是全局的；(2)如何确定RBF网络隐层节点的中心及基宽度参数是一个困难的问题；(3)已证明RBF网络具有唯一最佳逼近的特性，且无局部极小。 4.1RBF网络结构RBF网络是一种三层前向网络，由于输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，从而可以大大加快学习速度并避免局部极小问题。 图RBF网络结构 4.2RBF网络的逼近采用RBF网络逼近一对象的结构如下图所示。 图RBF神经网络逼近 在RBF网络结构中，为网络的输入向量。设RBF网络的径向基向量，其中hj为高斯基函数：网络结点的中心矢量为： 设网络的基宽向量为：为节点的基宽度参数，且为大于零的数。网络的权向量为：k时刻网络的输出为：设理想输出为y(k)，则性能指标函数为： 根据梯度下降法，输出权、节点中心及节点基宽参数的迭代算法如下： 阵(即为对象的输出对控制输入的灵敏度信息)算法为：其中取。其中,为学习速率，为动量因子。 4.3RBF网络监督控制4.3.1RBF网络监督控制算法基于RBF网络的监督控制系统结构如图9-14所示。 图9-14神经网络监督控制 在RBF网络结构中，取网络的输入为，网络的径向基向量为，为高斯基函数：其中，为节点的基宽度参数，，为网络第个结点的中心矢量，。 网络的权向量为：RBF网络的输出为：其中为RBF网络隐层神经元的个数。控制律为： 设神经网络调整的性能指标为：采用梯度下降法调整网络的权值：近似地取由此所产生的不精确通过权值调节来补偿。 神经网络权值的调整过程为：其中为学习速率，为动量因子。则 4.3.2仿真实例被控对象为：RBF网络监督控制程序为chap9_2.m 5RBF网络自校正控制5.1神经网络自校正控制原理自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。 神经间接自校正控制结构如图9-17所示，它由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路。（2）神经网络辩识器与控制器设计，以得到控制器的参数。辨识识器与自校正控制器的在线设计是自校正控制实现的关键。 图9-17神经网络间接自校正控制框图控制器设计神经网络辨识器自校正控制器被控对象 5.2自校正控制算法考虑被控对象：其中，分别为对象的输入、输出，为非零函数。若，已知，根据“确定性等价原则”，控制器的控制算法为： 若，未知，则通过在线训练神经网络辨识器，由辨识器结果、代替、，控制器的控制算法为： 5.3RBF网络自校正控制算法采用两个RBF网络分别实现未知项、的辨识。RBF网络辨识器的结构如图9-18所示，和分别为两个神经网络的权值向量。 图9-18神经网络辨识器 在RBF网络结构中，取网络的输入为，网络的径向基向量为，为高斯基函数：其中。为节点的基宽度参数，，为网络第个结点的中心矢量，，。 两个RBF网络的输出分别为：辨识后，对象的输出为：其中为RBF网络隐层神经元的个数。网络的权向量为： 采用梯度下降法调整网络的权值：设神经网络调整的性能指标为： 神经网络自校正控制系统的结构如图9-19所示。神经网络权值的调整过程为：其中和为学习速率，为动量因子。 图9-19神经网络自校正控制框图 5.4仿真实例被控对象为：其中，。RBF网络自校正控制程序为chap9_3.m。 6基于RBF网络直接模型参考自适应控制6.1基于RBF网络的控制器设计控制系统的结构如图9-23所示。设参考模型输出为，控制系统要求对象的输出能够跟踪参考模型的输出。则跟踪误差为： 图9-23基于RBF网络的直接模型参考自适应控制 指标函数为：控制器为RBF网络的输出：其中为RBF网络隐层神经元的个数，为第个网络隐层神经元与输出层之间的连接权，为第个隐层神经元的输出。 在RBF网络结构中，为网络的输入向量。RBF网络的径向基向量为，为高斯基函数：其中，为节点的基宽度参数，，为网络第个结点的中心矢量，，。 网络的权向量为：按梯度下降法及链式法则，可得权值的学习算法如下：其中为学习速率，为动量因子。 同理，可得RBF网络隐层神经元的高斯函数的中心参数及基宽的学习算法如下： 在学习算法中，称为信息，表示系统的输出对控制输入的敏感性，其值可由神经网络辨识而得。在神经网络算法中，对值的精确度要求不是很高，不精确部分可通过网络参数及权值的调整来修正，关键是其符号，因此可用的正负号来代替，这样可使算法更加简单。 6.2仿真实例被控对象为一非线性模型：取采样周期为，参考模型为，其中为正弦信号，。RBF网络直接模型参考自适应控制程序为chap9_4.m 化学复习超级简答（第五单元第二节）1、被蚊虫叮咬后涂上家庭中的什么物质可止痒？为什么？答：可涂上肥皂、牙膏等物质，因为牙膏或肥皂中的碱与蚊虫分泌的酸性物质发生中和反应的缘故。2、什么叫做中和反应？其实质是什么？答：酸与碱作用生成盐和水的反应叫做中和反应。中和反应的实质是H+和OH-结合成水。 化学复习超级简答（第五单元第二节）3、什么叫做盐？举例说明？答：由金属离子和酸根离子组成的化合物叫做盐，如氯化钠、碳酸钠、碳酸钙、硫酸铜等。4、中和反应有哪些应用？举例说明。答（1）应用于医药卫生，如用含氢氧化铝的药物治疗胃酸过多Al(OH)3+3HCl=AlCl3+3H2O(2)改变土壤的酸碱性，如用熟石灰Ca(OH)2改良酸性土壤（3）处理工业废水，如污水中含酸超标时，可利用熟石灰进行中和处理。（4）调节溶液的酸碱性。若溶液酸性或碱性太强，可用适当的碱或酸调节溶液的PH 化学复习超级简答（第五单元第二节）5、你能总结一下中和反应化学方程式的书写规律并举例说明吗？答：书写中和反应化学方程式时，首先要写出正确的酸和碱的化学式，生成物中盐是由碱中的金属离子和酸中的酸根组成的，另一种物质是水,水分子的个数等于氢氧根离子的个数。6、举例如下：H2SO4+Ca(OH)2=CaSO4+2H2OH2SO4+2NaOH=Na2SO4+2H2OHCl+KOH=KCl+H2O2HCl+Cu(OH)2=CuCl2+2H2O2HNO3+Fe(OH)2=Fe(NO3)2+2H2O3HNO3+Al(OH)3=Al(NO3)3+3H2O 化学复习超级简答（第五单元第一节）7、什么叫做酸碱指示剂？常用的有哪些？答：遇到酸或碱时能发生特定的颜色变化，化学上把这类物质叫做酸碱指示剂。常用的酸碱指示剂有紫色石蕊试液和无色酚酞试液。8、紫色石蕊试液和无色酚酞试液遇酸或碱变成什么颜色？答：紫色石蕊试液遇酸变红，遇碱变蓝；无色酚酞试液遇酸不变色，遇碱变红。 化学复习超级简答（第五单元第一节）9、红色石蕊试纸是怎么制的？如何使用？答：化学上把含有酸溶液的石蕊试液（显红色）涂在试纸上晾干即得红色石蕊试纸，红色石蕊试纸遇碱变蓝，因此可以测定一种溶液是否显碱性。它不能测定中性或酸性溶液。10、蓝色石蕊试纸是怎么制的？如何使用？答：化学上把含有碱溶液的石蕊试液（显蓝色）涂在试纸上晾干即得蓝色石蕊试纸，蓝色石蕊试纸遇酸变红，因此可以测定一种溶液是否显酸性。它不能测定中性或碱性溶液。 化学复习超级简答（第五单元第一节）11、什么叫做酸？常见的酸有哪些？酸的化学式有何特点？答:电离时生成的阳离子全部是氢离子的化合物叫做酸，常见的酸有盐酸(HCl)、硫酸(H2SO4)、硝酸(HNO3)、碳酸(H2CO3)、磷酸(H3PO4)氢硫酸(H2S)等，酸的化学式都以H开头。12、酸如何分类？举例说明答:酸一般根据是否含氧元素分为含氧酸和无氧酸。如盐酸(HCl)、氢硫酸(H2S)等属于无氧酸；无氧酸根据除氢以外的另一种元素命名为氢某酸。如硫酸(H2SO4)、硝酸(HNO3)、碳酸H2CO3、磷酸(H3PO4)等属于含氧酸， 化学复习超级简答（第五单元第一节）14、什么叫做碱？常见的碱有哪些？碱的化学式有何特点？答:电离时生成的阴离子全部是氢离子的化合物叫做碱，常见的碱有氢氧化钠、氢氧化钙、氢氧化钾、氢氧化钡、氢氧化铜、氢氧化铁等，碱的化学式都以氢氧根OH结尾13、酸怎样命名？答:无氧酸一般根据除氢以外的另一种元素名称命名为“氢某酸”，如HCl命名为“氢氯酸”，俗名盐酸、H2S命名为氢硫酸；含氧酸一般根据除氢和氧以外的另一种元素名称命名为“某酸”，如H2SO4命名为硫酸，H2CO3命名为碳酸，H3PO4命名为磷酸，HNO3命名为氮酸，俗名硝酸。 化学复习超级简答（第五单元第一节）16、碱如何命名？答:碱一般从右往左读作“氢氧化某”，如：NaOH读作氢氧化钠Al(OH)3读作氢氧化铝Ca(OH)2读作氢氧化钙Mg(OH)2读作氢氧化镁，若某种元素有多个化合价，则低价碱命名为“氢氧化亚某”，如Fe(OH)2读作氢氧化亚铁，Fe(OH)3读作氢氧化铁。15、碱如何分类？举例说明答:根据碱是否溶于水可分为可溶性碱和不溶性碱，如氢氧化钠、氢氧化钡为可溶性碱，氢氧化镁、氢氧化铝、、氢氧化铜、氢氧化铁等为不溶性碱；根据碱的一个分子中含氢氧根离子的个数可分为一元碱、二元碱、三元碱等，如NaOH为一元碱、Ca(OH)2为二元碱、Al(OH)3为三元碱。 化学复习超级简答（第五单元第一节）18、溶液酸碱性的强弱程度常用什么来表示？其范围通常是多少？答:溶液酸碱性的强弱程度常用PH表示，溶液PH越小，酸性越强，PH越大，碱性越强；其范围通常在0到14之间。17、溶液中H+和OH-数量与溶液酸碱性有何关系？答:溶液中H+越多，酸性越强，PH越小；溶液中OH-越多，碱性越强，PH越大； 化学复习超级简答（第五单元第一节）20、胃酸的主要成分是哪种酸？答:是盐酸(HCl)19、如何测定溶液的PH？答:测定溶液的PH一般用PH试纸，方法是用玻璃棒蘸取或用胶头滴管吸取少量待测溶液滴在PH试纸上，然后拿PH试纸的颜色与标准比色卡进行比较即可测得溶液的PH，PH试纸只能用于粗略测量，测得的数值为整数。比较精确的测量可用PH计。 化学复习超级简答（第五单元第一节）20、根据PH判断生活中下列物质的酸碱性。答:牙膏PH=9；肥皂PH=10西瓜汁PH=6；醋PH=2厨房清洗剂PH=13厕所清洁剂PH=1酱油PH=4；鸡蛋清PH=8水PH=7；牛奶PH=721、了解土壤的酸碱性对植物生长有何重要意义？答:大多数植物适宜在接近中性的土壤中生长，土壤的酸性太强（PH<4)或碱性太强（PH>8),作物就不能正常生长，通过将土壤溶于水再测定土壤溶液的PH就可以知道土壤的酸碱性，进而就可以想办法调节，从而有利于作物生长。'