主要内容 1、智能控制的产生和基本特亚 2、基于神经网络的系统辨识 3、基于神经网络的系统辨识示例 4基于神经网络的系统控制 5、基于神经网络的系统控制示列
主要内容 1、 智能控制的产生和基本特征 2、基于神经网络的系统辨识 3、基于神经网络的系统辨识示例 4、基于神经网络的系统控制 5、基于神经网络的系统控制示例
13.1智能控利的产生和基本特亚 寻找不需要缝立（精确）数学模型的控制方案，研究 能够按照操作人员的智力、经验及意识发布指令的控制器。 (含辨识器)。 凡是具备两个条件的智能学科都可以在智能控制上占 一席之地：⑦能够摸拟人脑的智力行为处理复杂性、不确 定性、非线性对象。 ②不需要对象的精确数学模型便能逼近满意控制。 智能控制阶段的研究对象是控制器，而传统控制理论 的研究对象是被控对象，两者都是闭环负友馈形式
13.1 智能控制的产生和基本特征 寻找不需要建立（精确）数学模型的控制方案，研究 能够按照操作人员的智力、经验及意识发布指令的控制器。 （含辨识器）。 凡是具备两个条件的智能学科都可以在智能控制上占 一席之地：①能够模拟人脑的智力行为处理复杂性、不确 定性、非线性对象。 ②不需要对象的精确数学模型便能逼近满意控制。 智能控制阶段的研究对象是控制器，而传统控制理论 的研究对象是被控对象，两者都是闭环负反馈形式
13.2基于神经网络的系统辨识 1)辨识系统的基本结构 系统辨积的主要任务就是这掉辨积模型，确定输入信号 和误差信号及其差值。 干扰 被测系统 辨识模型 2)辨识模型 静态模型、动态模型、参数模型、非参数模型（阶跃响 应、脉冲响应）、神经网辂模型 3)辨识系统中的误差准则 J(a=∑fek】 k=1 其中，f有各种送掉，最多的是平方离数f[(k)】=e(k) 其中，(k)是误差离数，定义区间为[O,M]
1）辨识系统的基本结构 系统辨识的主要任务就是选择辨识模型，确定输入信号 和误差信号及其差值。 2）辨识模型 静态模型、动态模型、参数模型、非参数模型（阶跃响 应、脉冲响应）、神经网络模型 3）辨识系统中的误差准则 其中， 有各种选择，最多的是平方函数 其中， 是误差函数，定义区间为[0,M] = = m k J f e k 1 ( ) [ ( )] f () [ ( )] ( ) 2 f e k = e k e(k) 被测系统 × + 干扰 + 辨识模型 + e 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 4)神经网络辨积原理 由保差准则可和，系统辨积本质上是一个优化问题。 辨识的方法大体上分两种： ①基于算法的辨识方法 要求建立一个模型，孩模型依赖于某个参数日，把 辨识转化成为对模型参数的估计。估计方法有：最小二 乘法（快，线性），梯度下降法，极大似然法。 ②基于神经网络的辨识方法 在遇到不能孩性化的非孩性系统时，对应的模型难于 转化成关于参数空间的线型模型。基子算法的辨识方法 将束手无策
4）神经网络辨识原理 由误差准则可知，系统辨识本质上是一个优化问题。 辨识的方法大体上分两种： ①基于算法的辨识方法 要求建立一个模型，该模型依赖于某个参数 ，把 辨识转化成为对模型参数的估计。估计方法有：最小二 乘法（快，线性），梯度下降法，极大似然法。 ②基于神经网络的辨识方法 在遇到不能线性化的非线性系统时，对应的模型难于 转化成关于参数空间的线型模型。基于算法的辨识方法 将束手无策。 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 基于神经网络的辨识系统结构图如下图所示。辨识不 在意神经网络以什么形式去逼近实际系统，只关心神经网 络的输出与被辨识条统的输出相差多少，(k)可否为零。 V(k) u(k) y(k) 被辨识系统 延时 辨识模型 (k)
基于神经网络的辨识系统结构图如下图所示。辨识不 在意神经网络以什么形式去逼近实际系统，只关心神经网 络的输出与被辨识系统的输出相差多少， e(k) 可否为零。 被辨识系统 × + V(k) + 辨识模型 + y(k) × - 延时 u(k) e(k) 13.2 基于神经网络的系统辨识
13,2基于神经网络的系统辨况 5)辨识系统中的脓线性模型 神经网络作系统辨识，主要用于非线性辨识和自适应。 由于非线性系统在能控性、能观性、负反馈调节、状态观 测器设计等方面还没有成熟的作法。难度是非线性系统的 辨识模型和控制模型不易选取，为此，用神经网络辨识非 线性系统必须作一些假设限制： √被控对象具有能控性、能观性。 √对所有可能的输入控制量U,被控对象的输出y存在并 有界。 √在辨识模型中的神经网络允许一个或几个不同的神经 网络结构用于被控对象。 √辨识模型的基本结构为包会神经网络的串一并联结构
5）辨识系统中的非线性模型 神经网络作系统辨识，主要用于非线性辨识和自适应。 由于非线性系统在能控性、能观性、负反馈调节、状态观 测器设计等方面还没有成熟的作法。难度是非线性系统的 辨识模型和控制模型不易选取，为此，用神经网络辨识非 线性系统必须作一些假设限制： ✓被控对象具有能控性、能观性。 ✓对所有可能的输入控制量u，被控对象的输出y存在并 有界。 ✓在辨识模型中的神经网络允许一个或几个不同的神经 网络结构用于被控对象。 ✓辨识模型的基本结构为包含神经网络的串—并联结构。 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 前两条为保证条统的稳定性和可辨性，第三条为了方 便选择模型，简化处理过程，第四条限制主要是为了易于 达到以下目的： >由于输出y存在并有界，那么串一并联模型中的所有 信号均有界，辨识模型易于稳定。 >串一并联模型间无反馈，使从后向前的静态反向传输 算法成为可能。 >当误差足够小时，不使用串一并联结构，只用并联结 构也能有好的效果。 在前述四种假设限制下，能够写出常用的一些非线性 典型模型，现举例如下：
前两条为保证系统的稳定性和可辨性，第三条为了方 便选择模型，简化处理过程，第四条限制主要是为了易于 达到以下目的： ➢由于输出y存在并有界，那么串—并联模型中的所有 信号均有界，辨识模型易于稳定。 ➢串—并联模型间无反馈，使从后向前的静态反向传输 算法成为可能。 ➢当误差足够小时，不使用串—并联结构，只用并联结 构也能有好的效果。 在前述四种假设限制下，能够写出常用的一些非线性 典型模型，现举例如下： 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 n-1 yk+I)=∑a,y(k-i)+g(u(k)u(k-1)…(k-m) i=0 n=2,m=0时的并联结构如图3所示。 y(k+1) u(k) e(k+1) 图3并联结构
n=2,m=0时的并联结构如图3所示。 1 0 ( 1) ( ) ( ( ) ( 1) ( )) n i i y k a y k i g u k u k u k m − = + = − + − − u(k) - e(k+1) + + × Z-1 × a0 a1 Z-1 + + N + Z-1 ∑ a0 a1 Z-1 + + g + ∑ × + y(k+1) 图3 并联结构 ① 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 n-1 yk+1)=∑ayk-i)+g((K)uk-1)…k-m) i=0 n=2,m=0时的串联结构如图4所示。 yk+1) u(k) 卤ek+1) @Z函 图4串-并联结构
n=2,m=0时的串联结构如图4所示。 1 0 ( 1) ( ) ( ( ) ( 1) ( )) n i i y k a y k i g u k u k u k m − = + = − + − − u(k) - e(k+1) + + × Z-1 × a0 a1 Z-1 + + N + Z-1 ∑ a0 a1 Z-1 + + g + ∑ × + y(k+1) 图4 串--并联结构 13.2 基于神经网络的系统辨识
13.2基于神经网络的系统辨识 y(k+1)=∑b,(k-i)+f(y(k)y(k-1)…y(k-n) i=l ②结构同图3、图4，将8换为f. y(k+1)=f(gk)…g(k-n)+g(u(k)…(k-m) y(k+1)=f(y(k)…g(k-n),u(k)…u(k-m) 后两种用神经网络实现起来较难
②结构同图3、图4，将g换为f. y k f g k g k n g u k u k m ( 1) ( ( ) ( )) ( ( ) ( )) + = − + − 1 ( 1) ( ) ( ( ) ( 1) ( )) m i i y k b u k i f y k y k y k n = ② + = − + − − ③ ④ y k f y k g k n u k u k m ( 1) ( ( ) ( ), ( ) ( )) + = − − 后两种用神经网络实现起来较难。 13.2 基于神经网络的系统辨识
