神经网络与智能控制技术.ppt

第四章 神经网络与智能控制对象神经网络控制q神经网络控制是将神经网络在相应的控制结构中做控制器、辨识器q神经网络控制主要是为解决复杂的非线性、不确定、不确知 系统，在不确定、不确知环境中的控制问题q神经网络控制使控制系统稳定、鲁棒性好，具有要求的动态 、静态性能引言由于神经网络具有大规模并行性、冗余性、容错性、本 质的非线性及自组织、自学习、自适应能力，故已成功地应 用于许多不同的领域如在最优化、模式识别、信号处理和 图像处理等领域首先取得了成功神经网络理论的诞生同样 给不断面临着挑战的控制理论带来生机控制理论在经历了 经典控制论、状态空间论、动态规划、最优控制等阶段以后 ，随着被控对象变得越来越复杂、控制精度越来越高、对对 象和环境的知识知道甚少的情况下，智能控制理论和技术迅 速顺起此外，在有众多不确定因素和难以确切描述的非线 性控制系统中，对控制的要求也越来越高，因此迫切希望新 一代的控制系统具有自适应自学习能力、良好的鲁棒性和实 时性、计算简单、柔性结构和自组织并行离散分布处理等智 能信息处理的能力用神经网络构成的控制系统就是这样一 代新颖控制系统之一 一、神经网络用于控制的优越性⑴可以处理那些难以用模型或规则描述的过程或系统。

⑵采用并行分布式信息处理方式，具有很强的容错性 ⑶神经网络是本质的非线性系统目前研究最多的神经网络模型是多层前向传播网络，它是 由大量具有S形曲线的非线性神经元组成的 它可以实现任何非线性映射 ⑷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，能解决输入信息 之间的互补性与冗余性问题，协调好互相矛盾的输入信息⑸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，这使处理速度进一步提高，为神经网络的应用开 辟了广阔的前景 二、神经网络的逼近能力 前向传播神经网络若含有两个隐含层，且神经元 激励函数为单调的S型函数，则此神经网络能够得到合 适的逼近精度 三、神经网络控制的设计⑴1. 确定性系统与环境（１）已知对象特性及外加扰动是确定性的，时不变的；（２）已知系统期望输出r，要求的性能指标控制系统的设计：设计控制器，校正对象的特性，使控制系统达到要求的性 能指标，即，使控制系统在r作用下，由控制器给出的控制量u 作用于对象，使其输出y跟踪r 对于确定性系统与环境，选择某种控制结构，可设计出确 定参数的控制器三、神经网络控制的设计⑵2．不确定、不确知系统与环境对处于不确定、不确知环境中的复杂的非线性不确定、不确知系统 的设计问题，是控制领域研究的核心问题。

神经控制是解决问题的一条 途径在已知被控对象的一些先验知识情况下：⑴由神经网络做辨识器，识别对象模型，由于网络的学习能力 ，辨识器的参数可随着对象、环境的变化而自适应的改变⑵由神经网络做控制器，其性能随着对象、环境的变化而自适应的 改变（通过神经辨识器）四、神经网络控制的实现⑴神经控制是数字控制，用数字量实现对被控对象的控制，讨论连续对象用数字计算机实现的神经控制问题硬件1. 神经控制系统的组成以单输入输出系统为例，见图：① 连续被控对象 ② 神经控制器 ③ 模拟输入通道 ④ 模拟输出通道 ⑤ 实时时钟四、神经网络控制的实现⑵① 主程序:功能是进行系统初 始化设置 ② 控制子程序:实现神经控制 算法， 若既有辩识器又有控制器的控 制结构，则，神经控制算法包 括这两部分软件四、神经网络控制的实现⑶２. 实时控制五、神经网络控制器的分类根据神经网络在控制器中的作用不同，神经网络在 控制系统设计中的应用一般分为两类，一类称神经控制 ，它是以神经网络为基础而形成的独立智能控制系统； 另一类称为混合神经网络控制，它代表着那些利用神经 网络学习和优化能力来改善传统控制的现代控制方法， 如自适应神经控制等。

目前神经控制器的分类还存在较 大的争议，没有一个统一的分类法综合目前各国专家 的分类法，我们将一些典型的神经网络的控制结构和学 习方式归结为以下七类 ⒈导师指导下的控制器 这种神经网络控制结构 的学习样本直接取自于专家 的控制经验神经网络的输 入信号来自传感器的信息和 命令信号神经网络的输出 就是系统的控制信号 一旦神经网络的训练达到了能够充分描述人的控制行为，则网络训 练结束神经网络控制器就可以直接投入实际系统的控制这种控制结 构简单，控制成功的把握大在功能上它能模拟人类的控制技巧，同专 家控制具有相当的功能，从获取知识的角度来看，神经网络更胜一筹 这种控制器的缺陷是其网络的训练只涉及静态过程，缺乏学习机制 ，且在网络训练时控制器不能投入实际运行 ⒉逆控制器 神经网络接受系统的被控状态信息，神经网络的输出与该被控制 系统的控制信号之差作为调整神经网络权系数的校正信号，并可利用 常规的BP学习算法及其改进的算法来进行控制网络的训练一旦训 练成功，从理论上来看只要直接把神经网络控制器接到动力学系统的 控制端就可以实现无差跟踪控制，即要实现期望的控制输出只要将此 信息加到神经网络的输入端就可以了。

神经网络的训练目的就是为了 逼近此系统的逆动力学模型⒊自适应网络控制器 在结构上完全等同于 线性系统的自适应控 制器，只是利用了非 线性的神经网络代替 了线性系统中的线性 处理单元自适应控制系统要求控制器能够随着系统环境或参数的变化而对控 制器进行调节以便达到最优控制的特性自适应网络控制器有两个控制结构：一是直接自适应网络控制结构 ；二是间接自适应网络控制结构直接自适应网络控制结构是将系统误 差信号ec直接用于神经控制器的自适应调整但目前还没有一种可行的方 法来解决未知动力学模型的控制问题间接自适应网络控制结构利用神 经网络辨识器和神经网络控制器代替经典控制结构中的辨识模型和控制 器，使得系统的学习和控制能够实现控制器的设计准则仍然是依赖于 系统的输出预报误差最小原则 神经模型参考自适应控制神经自校正控制结构由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路2）神经网络辨识器与控制器设计，以得到控制器的参数神经辨识器与自校正控制器的设计，是自校正控制实现的关键传统的自校正控制是被控对象用线性或线性化模型进行辨识， 对于时 变线性、复杂的非线性系统的自校正控制，则难以实现有效的控制，因此， 具有一定的局限性。

神经自校正控制是被控对象用动态神经网络模型进行自适应辨识， 对 于时变线性、复杂的非线性系统的自校正控制，可以实现有效的控制⒋神经内模控制结构 内模控制以其较强的鲁 棒性和易于进行稳定性 分析的特点在过程控制 中获得广泛的应用在 这种控制结构中，在反 馈回路中直接使用系统 的前向模型和逆模型 在内模控制结构中，与实际系统并行的网络模型一并建立，系统实 际输出与模型M的输出信号差用于反馈的目的这个反馈信号通过前向 通道上的控制子系统G预处理，通常G是一个滤波器，用于提高系统的 鲁棒性系统模型M和控制器C由神经网络来实现 神经内模控制⑴内模控制原理神经内模控制⑵神经非线性内模控制⒌前馈控制结构 这种结构是基于鲁棒性问题而提出来的通常单纯的求逆控制结 构不能很好地起到抗干扰能力，因此结合反馈控制的思想组成前馈补 偿器的网络控制结构(见图5—5)反馈控制的目的在于提高抗随机扰 动的能力，而控制器的主要成分，特别是非线性成分将由网络控制器 来完成这种控制器设计的主要困难是如何找到一种有效的学习方法 实现对系统模型未知条件下网络控制的学习 ⒍自适应评价网络 再励学习用于神经控制的基本思想：不需已知对象模型，且没有足够知识的情 况下，通过学习机制对环境的交互，评价控 制的优劣，用‘奖或惩’算法训练控制器， 使之对复杂的非线性、不确定、不确知系统 ，达到有效的控制。

⒎混合控制系统 它是由神经网络技术与模糊控制、专家系统等相结合形成的一种 具有很强学习能力的智能控制系统它集人工智能各分支的优点， 使系统同时具有学习、推理和决策能力，成为智能控制的最新发展 方向从以上分析可知，不管采用何种神经网络控制结构，要真正实 现神经网络智能控制的目的，必须具备一种有效的学习机制来保证 神经控制器的自学习、自适应功能，达到真实意义上的智能控制 此外，不难看出，神经网络模型对于未知动力学系统的控制是至关 重要的因此，在讨论神经控制器的学习问题之前先来看一下非线 性动力学系统的神经网络辨识问题非线性系统的神经网络辨识基 础是神经网络的逼近能力考虑到前向传播网络有成熟有效的学习 方法，本章重点讨论前向传播网络的辨识和控制问题 神经PID控制⑴§PID控制是工业过程控制中常用的控制方法，因PID控制器结构简单、实现简 易，且能对相当一些工业对象（或过程）进行有效的控制 §常规PID控制局限性在于控制对象具有复杂的非线性特性，难以建立精确的数学模型，且 由于对象和环境的不确定性，往往难以达到满意的控制效果 §神经PID控制是针对上述问题而提出的一种控制策略神经PID控制⑵神经PID控制结构见下图，有两个神经网络：NNI——系统辨识器；NNC——自适应PID控制器。

工作原理是由NNI对被控对象辨识的基础上，通过对NNC的权系进行实时 调整，使系统具有自适应性，达到有效控制六、神经网络控制待解决的问题 神经网络控制在理论与实践上，有如下问题有待于进一步研究与探讨： ⑴神经网络的稳定性与收敛性问题⑵在逼近非线性函数问题上，神经网络的现有理论只解决了存在性问题 ⑶神经网络的学习速度一般比较慢，为满足实时控制的需要，必须予以 解决⑷对于控制器及辨识器，如何选择合适的神经网络模型及确定模型的结 构，尚无理论指导在非线性系统辨识方面，存在充分激励、过参数辨 识、带噪声系统的辨识等问题⑸引入神经网络的控制系统，在稳定性和收敛性的分析方面增加了难度 ，研究成果较少，有待于进一步探讨对于上述问题，一方面，有待于神经网络研究的不断进展；另一方面， 随着非线性理论及优化方法的进一步发展，并与控制相结合予以解决。