第6章先进控制技术2.ppt

《第6章先进控制技术2.ppt》由会员分享，可在线阅读，更多相关《第6章先进控制技术2.ppt（117页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、第六章第六章 先进控制技术先进控制技术 先进控制技术主要解决传统的、经典的控制技术先进控制技术主要解决传统的、经典的控制技术所难以解决的控制问题，代表着控制技术最新的发展所难以解决的控制问题，代表着控制技术最新的发展方向，并且与多种智能控制算法是相互交融、相互促方向，并且与多种智能控制算法是相互交融、相互促进发展的。进发展的。本章主要介绍控制技术中的模糊控制技术、神经本章主要介绍控制技术中的模糊控制技术、神经网络控制技术、专家控制技术和预测控制技术。网络控制技术、专家控制技术和预测控制技术。6.1 6.1 模糊控制技术模糊控制技术 6.2 6.2 神经网络控制技术神经网络控制技术 6.3 6.

2、3 专家控制技术专家控制技术 6.4 6.4 预测控制技术预测控制技术 6.5 6.5 其它先进控制技术其它先进控制技术6.2 神经网络控制技术神经网络控制技术 6.2.1 神经网络概述神经网络概述6.2.2 神经网络模型神经网络模型6.2.3 神经网络系统辨识神经网络系统辨识6.2.4 神经网络神经网络控制控制6.2.5 神经网络控制举例神经网络控制举例一、神经网络的产生与发展一、神经网络的产生与发展二、神经网络的特性与功能二、神经网络的特性与功能6.2.1 神经网络概述神经网络概述一、神经网络的产生与发展一、神经网络的产生与发展 1943年心理学家年心理学家McCulloch和数学家和数学

3、家Pitts提提出神经元生物数学模型（简称出神经元生物数学模型（简称MP模型），标志模型），标志着神经网络的产生。着神经网络的产生。1982年美国加州物理学家年美国加州物理学家Hopfield提出了提出了Hopfield神经网络系统（简称神经网络系统（简称HNNS）模型，并）模型，并提出了能量函数和稳定性等概念。并在计算提出了能量函数和稳定性等概念。并在计算TSP（售货员送货线路）问题上取得进展。售货员送货线路）问题上取得进展。神经网络系统理论与技术发展大体分三方面：神经网络系统理论与技术发展大体分三方面：1.硬件技术硬件技术 目前一些先进国家已实现了目前一些先进国家已实现了1000多个神经元

4、的多个神经元的神经网络系统。神经网络系统。2.神经网络系统理论神经网络系统理论 3.神经网络应用研究神经网络应用研究 神经网络系统理论的应用研究主要在模式识别、神经网络系统理论的应用研究主要在模式识别、经济管理、优化控制、数据压缩、编码、解码、经济管理、优化控制、数据压缩、编码、解码、股市分析等方面。股市分析等方面。人工神经网络定义 人人工工神神经经网网络络是是一一个个由由许许多多简简单单的的并并行行工工作作的的处处理理单单元元组组成成的的系系统统，其其功功能能取取决决于于网网络络的的结构、连接强度以及各单元的处理方式。结构、连接强度以及各单元的处理方式。人人工工神神经经网网络络是是一一种种旨

5、旨在在模模仿仿人人脑脑结结构构及及其其功能的信息处理系统功能的信息处理系统。神神经经网网络络是是由由多多个个非非常常简简单单的的处处理理单单元元彼彼此此按按某某种种方方式式相相互互连连接接而而形形成成的的计计算算系系统统，该该系系统统是是靠靠其其状状态态对对外外部部输输入入信信息息的的动动态态响响应应来来处处理信息的。理信息的。二、神经网络的基本特性与功能二、神经网络的基本特性与功能1.神经网络的特性神经网络的特性vv 并行分布处理并行分布处理并行分布处理并行分布处理vv 非线性映射非线性映射非线性映射非线性映射 vv 通过训练进行学习通过训练进行学习通过训练进行学习通过训练进行学习 vv 适

6、应与集成适应与集成适应与集成适应与集成 vv 硬件实现硬件实现硬件实现硬件实现 2.神经网络的功能神经网络的功能v 联想记忆功能联想记忆功能联想记忆功能联想记忆功能vv 非线性映射功能非线性映射功能非线性映射功能非线性映射功能vv 分类与识别功能分类与识别功能分类与识别功能分类与识别功能vv 优化计算功能优化计算功能优化计算功能优化计算功能vv 知识处理功能知识处理功能知识处理功能知识处理功能联联想想记记忆忆功功能能非线性映射功能非线性映射功能分类与识别功能分类与识别功能优化计算功能优化计算功能知识处理功能知识处理功能返回本节一、生物神经元及其信息处理一、生物神经元及其信息处理二、人工神经元模

7、型及人工神经网络模型二、人工神经元模型及人工神经网络模型三、多层感知器与三、多层感知器与BP算法算法四、四、Hopfield网络网络6.2.2 神经网络模型神经网络模型一、生物神经元及其信息处理一、生物神经元及其信息处理v生物神经元的结构生物神经元的结构v生物神经元的信息处理机理生物神经元的信息处理机理v生物神经网络生物神经网络 人人类类大大脑脑大大约约包包含含有有1.4 1011个个神神经经元元，每每个个神神经经元元与与大大约约10103 310105 5个个其其它它神神经经元元相相连连接接，构构成成一一个个极极为为庞庞大大而而复复杂杂的的网网络络，即生物神经网络。即生物神经网络。神经生理学

8、和神经解剖学的研究结果表神经生理学和神经解剖学的研究结果表明明，神经元，神经元(Neuron)(Neuron)是脑组织的基本单元，是脑组织的基本单元，是人脑信息处理系统的最小单元。是人脑信息处理系统的最小单元。1.生物神经元的结构生物神经元的结构 生物神经元在结构上由生物神经元在结构上由 细胞体细胞体(Cell body)树突树突(Dendrite)轴突轴突(Axon)突触突触(Synapse)四部分组成。用来完成神经元间信息的四部分组成。用来完成神经元间信息的接收、传递和处理。接收、传递和处理。2.2.生物神经元的信息处理机理生物神经元的信息处理机理（1）信息的产生）信息的产生 神神经经元元

9、间间信信息息的的产产生生、传传递递和和处处理理是是一一种种电电化学活动。化学活动。神经元状态：神经元状态：兴奋兴奋：当传入的神经冲动使细胞膜电位升高超过：当传入的神经冲动使细胞膜电位升高超过阈值时，细胞进入兴奋状态，产生神经冲动由轴突阈值时，细胞进入兴奋状态，产生神经冲动由轴突输出。输出。抑制抑制：当传入的神经冲动使细胞膜电位下降低于阈：当传入的神经冲动使细胞膜电位下降低于阈值时，细胞进入抑制状态，没有神经冲动输出。值时，细胞进入抑制状态，没有神经冲动输出。（2）信息的传递与接收）信息的传递与接收（3）信息的整合）信息的整合空间整合：空间整合：同一时刻产生的刺激所引起的同一时刻产生的刺激所引起

10、的膜电位变化，大致等于各单独刺激引起的膜电位变化，大致等于各单独刺激引起的膜电位变化的代数和。膜电位变化的代数和。时间整合：时间整合：各各输入脉冲输入脉冲抵达神经元的时间抵达神经元的时间先后不一样。先后不一样。总的突触后膜电位为一段时总的突触后膜电位为一段时间内的累积。间内的累积。3.生物神经网络生物神经网络 由多个生物神经元以确定方式和拓扑结构由多个生物神经元以确定方式和拓扑结构 相互连接即形成生物神经网络。相互连接即形成生物神经网络。生物神经网络的功能不是单个神经元信息生物神经网络的功能不是单个神经元信息 处理功能的简单叠加。处理功能的简单叠加。神经元之间的突触连接方式和连接强度不神经元之

11、间的突触连接方式和连接强度不 同并且具有可塑性，这使神经网络在宏观同并且具有可塑性，这使神经网络在宏观 呈现出千变万化的复杂的信息处理能力。呈现出千变万化的复杂的信息处理能力。二、人工神经元模型及人工神经网络模型二、人工神经元模型及人工神经网络模型 神经元模型神经元模型vv连接机制结构的基本处理单元与神经生理学连接机制结构的基本处理单元与神经生理学类比往往称为神经元类比往往称为神经元vv每个构造网络的神经元模型模拟一个生物神每个构造网络的神经元模型模拟一个生物神经元经元 神神神神经经经经元元元元及及及及其其其其突突突突触触触触是是是是神神神神经经经经网网网网络络络络的的的的基基基基本本本本器器

12、器器件件件件。因因因因此此此此，模模模模拟拟拟拟生生生生物物物物神神神神经经经经网网网网络络络络应应应应首首首首先先先先模模模模拟拟拟拟生生生生物物物物神神神神经经经经元元元元。在在在在人人人人工工工工神神神神经经经经网网网网络络络络中中中中，神神神神经经经经元元元元常常常常被被被被称称称称为为为为“处处处处理理理理单单单单元元元元”。有有有有时时时时从从从从网网网网络络络络的的的的观观观观点点点点出出出出发发发发常常常常把把把把它它它它称称称称为为为为“节节节节点点点点”。人人人人工工工工神神神神经经经经元元元元是是是是对对对对生生生生物物物物神神神神经经经经元的一种形式化描述。元的一种形式

13、化描述。元的一种形式化描述。元的一种形式化描述。1.人工神经元模型人工神经元模型神神经经元元模模型型示示意意图图（1）神经元的数学模型）神经元的数学模型ij 输入输出间的突触时延；输入输出间的突触时延；Tj 神经元神经元 j 的阈值；的阈值；wij 神经元神经元 i 到到 j 的突触连接系数或称的突触连接系数或称 权重值；权重值；f()神经元转移函数。神经元转移函数。（2）神经元的转移函数）神经元的转移函数1）阈值型转移函数）阈值型转移函数 1 x0f(x)=0 x02）非线性转移函数）非线性转移函数3）分段线性转移函数）分段线性转移函数 0 x0f(x)=cx 0 0 xxc 1 xc x（

14、1）前向网络（层次型结构）前向网络（层次型结构）2.人工神经网络模型人工神经网络模型输入层输入层输出层输出层中间层中间层或隐层或隐层（2）（反馈网络）输出层到输入层有连接）（反馈网络）输出层到输入层有连接（3）（相互结合型网络）全互连型结构）（相互结合型网络）全互连型结构（4）（混合型网络）层内有连接的层次型结构）（混合型网络）层内有连接的层次型结构 神经网络能够通过对样本的学习训练，神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构，以不断改变网络的连接权值以及拓扑结构，以使网络的输出不断地接近期望的输出。这一使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训

15、练，其本质是过程称为神经网络的学习或训练，其本质是可变权值的动态调整。可变权值的动态调整。3.人工神经网络的学习人工神经网络的学习神经网络的主要学习算法神经网络的主要学习算法 vv有师学习有师学习 有师学习算法能够根据期望的和实际的有师学习算法能够根据期望的和实际的网络输出（对应于给定输入）间的差来调整网络输出（对应于给定输入）间的差来调整神经元间连接的强度或权。神经元间连接的强度或权。vv无师学习无师学习 无师学习算法不需要知道期望输出。无师学习算法不需要知道期望输出。vv强化学习强化学习 强化学习算法采用一个强化学习算法采用一个“评论员评论员”来评来评价与给定输入相对应的神经网络输出的优度

16、价与给定输入相对应的神经网络输出的优度（质量因数）（质量因数）三、多层感知器与三、多层感知器与BP算法算法1.感知器感知器（1）感知器模型）感知器模型 感知器是在感知器是在MP模型基础上建了起来的单模型基础上建了起来的单细胞神经网络的信息处理器。细胞神经网络的信息处理器。ojx1-1x2设输入向量设输入向量X=(x1,x2)T输出：输出：则由方程则由方程 w1jx1+w2jx2-Tj=0 确定了二维平面上的一条确定了二维平面上的一条分界线分界线。ojx1-1x2（2）感知器的功能）感知器的功能w1jx1+w2jx2-Tj=0设输入向量设输入向量X=(x1,x2,x3)T输出：输出：则由方程则由

17、方程 w1jx1+w2jx2+w3j Tj=0 确定了三维空间上的一个确定了三维空间上的一个分界平面分界平面。x2ojx1x3-1w1jx1+w2jx2+w3j Tj=0设输入向量设输入向量X=(x1，x2,，xn)T则由方程则由方程 w1jx1+w2jx2+wnjxn Tj=0确定了确定了n维空间上的一个分界平面。维空间上的一个分界平面。净输入：净输入：w1jx1+w2jx2+wnj xnTj 一个最简单的单计算节点感知器具有一个最简单的单计算节点感知器具有分类功分类功能能。其分类原理是将分类知识存储于感知器的权。其分类原理是将分类知识存储于感知器的权向量（包含了阈值）中，由权向量确定的分类

18、判向量（包含了阈值）中，由权向量确定的分类判决界面将输入模式分为两类。决界面将输入模式分为两类。（1）基于）基于BP算法的多层前馈网络模型算法的多层前馈网络模型2.2.多层感知器与多层感知器与多层感知器与多层感知器与BPBP算法算法算法算法 误差反向传播误差反向传播神经网络，简称神经网络，简称BP网络（网络（Back Propagation），是一种），是一种单向传播单向传播的多层前向网络。的多层前向网络。在模式识别、图像处理、系统辨识、函数拟合、在模式识别、图像处理、系统辨识、函数拟合、优化计算、最优预测和自适应控制等领域有着较优化计算、最优预测和自适应控制等领域有着较为广泛的应用。如图是为

19、广泛的应用。如图是BP网络的示意图。网络的示意图。BP网络的示意图网络的示意图输入向量：输入向量：X=(x1,x2,xi,xn)T隐层输出向量：隐层输出向量：Y=(y1,y2,yj,ym)T输出层输出向量：输出层输出向量：O=(o1,o2,ok,ol)T期望输出向量：期望输出向量：d=(d1,d2,dk,dl)T输入层到隐层之间的权值矩阵：输入层到隐层之间的权值矩阵：V=(V1,V2,Vj,Vm)隐层到输出层之间的权值矩阵用：隐层到输出层之间的权值矩阵用：W=(W1,W2,Wk,Wl)对于输出层：对于输出层：k=1,2,lk=1,2,l 对于隐层：对于隐层：j=1,2,m j=1,2,m 输出

20、误差输出误差E定义为：定义为：将以上误差定义式展开至隐层：将以上误差定义式展开至隐层：（2）BP学习算法的权值调整思路学习算法的权值调整思路 BP算法的学习过程由正向传播和反向传播组算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐成。在正向传播过程中，输入信息从输入层经隐层逐层处理，并传向输出层，每层神经元（节点）层逐层处理，并传向输出层，每层神经元（节点）的状态只影响下一层神经元的状态。如果在输出的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神

21、差信号沿原来的连接通路返回，通过修改各层神经元的权值，使误差信号最小。经元的权值，使误差信号最小。权值调整思路权值调整思路:j=0,1,2,m;k=1,2,l i=0,1,2,n;j=1,2,m 式中负号表示梯度下降，常数式中负号表示梯度下降，常数(0,1)表示比例系表示比例系数。数。在全部推导过程中，对输出层有在全部推导过程中，对输出层有j=0,1,2,m;k=1,2,l 对隐层有对隐层有 i=0,1,2,n;j=1,2,m（3）BP学习算法的计算步骤学习算法的计算步骤 1)初始化初始化 置所有权值为较小的随机数置所有权值为较小的随机数 2)提供训练集提供训练集 3)计算实际输出计算实际输出

22、 计算隐含层、输出层各神经元计算隐含层、输出层各神经元输出输出 4)计算目标值与实际输出的偏差计算目标值与实际输出的偏差E 5)计算计算 6)计算计算 7)返回返回“2）”重复计算，直到误差满足要求为重复计算，直到误差满足要求为止止（4）标准）标准BP算法的改进算法的改进标准的标准的BP算法在应用中暴露出不少内在的缺陷：算法在应用中暴露出不少内在的缺陷：易形成局部极小而得不到全局最优；易形成局部极小而得不到全局最优；训练次数多使得学习效率低，收敛速度慢；训练次数多使得学习效率低，收敛速度慢；隐节点的选取缺乏理论指导；隐节点的选取缺乏理论指导；训练时学习新样本有遗忘旧样本的趋势。训练时学习新样本

23、有遗忘旧样本的趋势。针对上述问题，国内外已提出不少有效的针对上述问题，国内外已提出不少有效的改进算法，下面为其中改进算法，下面为其中3种较常用的方法。种较常用的方法。1)增加动量项增加动量项为动量系数，一般有为动量系数，一般有(0，1)2)自适应调节学习率自适应调节学习率 设一初始学习率，若经过一批次权值调设一初始学习率，若经过一批次权值调整后使总误差整后使总误差，则本次调整无效，且，则本次调整无效，且=(1)。3)引入陡度因子引入陡度因子 实现这一思路实现这一思路的具体作法是，在的具体作法是，在原转移函数中引入原转移函数中引入一个陡度因子一个陡度因子返回本节四、四、Hopfield网络网络

24、Hopfield网络是一个单层网络，有多个神经网络是一个单层网络，有多个神经元节点，每个神经元的输出均接到其它神经元的元节点，每个神经元的输出均接到其它神经元的输入。输入。各节点各节点没有自反馈没有自反馈，每个节点都附有一个阀，每个节点都附有一个阀值。每个节点都可处于一种可能的状态（值。每个节点都可处于一种可能的状态（1或或1），即当该神经元所受的刺激超过其阀值时，），即当该神经元所受的刺激超过其阀值时，神经元就处于一种状态（比如神经元就处于一种状态（比如1），否则神经元），否则神经元就始终处于另一状态（比如就始终处于另一状态（比如1）。）。一、系统辨识的定义及应用一、系统辨识的定义及应用二、

25、辨识的主要步骤二、辨识的主要步骤 三、在线辨识与离线辨识三、在线辨识与离线辨识 四、神经网络系统辨识应用实例四、神经网络系统辨识应用实例6.2.3 神经网络系统辨识神经网络系统辨识定义：系统辨识就是在输入和输出数据的基础上，定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定一个与所测系统等价从一组给定的模型类中确定一个与所测系统等价的模型。的模型。一、系统辨识的定义及应用一、系统辨识的定义及应用1.1.系统辨识的定义系统辨识的定义系统辨识的定义系统辨识的定义系统辨识（系统辨识（Identification）的主要应用：）的主要应用：v控制系统的分析和设计控制系统的分析和设计v

26、用于自校正、模型参考自适应系统用于自校正、模型参考自适应系统v预测和预报预测和预报v监视系统运行状态，进行故障诊断监视系统运行状态，进行故障诊断2.2.系统辨识的应用系统辨识的应用系统辨识的应用系统辨识的应用1)实验设计实验设计 确定输入信号、采样周期、辨识时间、开确定输入信号、采样周期、辨识时间、开环或闭环、离线或环或闭环、离线或 在线等等。在线等等。2)确定辨识模型确定辨识模型M的结构的结构 M的结构设计主要依靠人的经验来确定，的结构设计主要依靠人的经验来确定，M可以由一个或多个神经网络组成，也可以加可以由一个或多个神经网络组成，也可以加入线性系统。入线性系统。二、二、辨识的主要步骤辨识的

27、主要步骤 3)确定辨识模型的参数确定辨识模型的参数 需要选择合适的参数辨识算法。采用需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般的神经网络时，可采用一般的BP学习算法辨识学习算法辨识网络的权值参数。网络的权值参数。4)模型检验模型检验 模型的实际应用效果是对系统辨识效果优模型的实际应用效果是对系统辨识效果优劣的检验标准。劣的检验标准。在线辨识是在系统实际运行中进行的，辨在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。识过程由实时性要求。离线辨识是在已取得大量系统的输入输出离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络进行训练（辨后，用这些历史数据对神经网

28、络进行训练（辨识），因此辨识过程与实际系统是分离的，无识），因此辨识过程与实际系统是分离的，无实时性要求。实时性要求。三、三、在线辨识与离线辨识在线辨识与离线辨识 离线辨识可使神经网络在系统工作前预先完离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。统在工作过程中的参数变化。在实际应用中，一般先进行在实际应用中，一般先进行离线训练离线训练，得，得到网络的权值后再进行到网络的权值后再进行在线学习在线学习，这时网络离，这时网

29、络离线训练后的权值就成为在线学习时的初始值，线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。从而使辨识的实时性得到改善。d dP +-e(k)u(k)四、神经网络系统辨识应用实例四、神经网络系统辨识应用实例粮食干燥热力过程神经网络模型辨识粮食干燥热力过程神经网络模型辨识 粮食干燥塔系统简化图粮食干燥塔系统简化图 神经网络辨识模型神经网络辨识模型 干燥塔出口粮食水分神经网络辨识结果干燥塔出口粮食水分神经网络辨识结果与实测结果比较与实测结果比较 返回本节一、神经网络控制系统结构一、神经网络控制系统结构 二、基于二、基于BP神经网络的神经网络的PID控制控制6.2.4 神经网络控

30、制神经网络控制 神经网络控制是神经网络与自动控制相结合而神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控制系统系统已有许多成功的应用实例，神经网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域的广泛学习算法以及主要特性，又要熟悉控制领域的广泛理论与方法，如非线性控制、系统辨识和自适应控理论与方法，如非线性控制、系统辨识和自适应控制等等。制等等。1.1.神经网络监督控制神经网络监督控制在传

31、统控制器在传统控制器，如如PIDPID控制器基础上控制器基础上，再增加一再增加一个神经网络控制器个神经网络控制器,如如下下图所示图所示，此时神经网络控制此时神经网络控制器实际是一个前馈控制器。器实际是一个前馈控制器。一、神经网络控制系统结构一、神经网络控制系统结构 2.直接逆控制系统结构直接逆控制系统结构 直接逆控制是一种前馈控制，设被控对象模直接逆控制是一种前馈控制，设被控对象模型为型为P且其逆模型且其逆模型P-1存在，理论上可直接用存在，理论上可直接用P-1作作为控制器与被控对象串联，此时控制器为控制器与被控对象串联，此时控制器P-1的输入的输入为系统的参考输入为系统的参考输入r，输出为，

32、输出为u，而被控对象的输，而被控对象的输入为入为u，输出为，输出为y，理想情况下应有，理想情况下应有y=r，即系统，即系统的传递函数为的传递函数为P P-1=1。因此，可先通过离线训。因此，可先通过离线训练使神经网络控制器练使神经网络控制器NNC获得被控对象的逆特性获得被控对象的逆特性P-1，再将具有逆特性，再将具有逆特性P-1的的NNC与被控对象串联。与被控对象串联。神经网络直接逆控制结构神经网络直接逆控制结构 该控制结构的一种实现方案如图所示该控制结构的一种实现方案如图所示:NNC()对象对象ruy 由于不存在反馈，由于不存在反馈，由于不存在反馈，由于不存在反馈，直接逆控制系统直接逆控制系

33、统鲁棒鲁棒鲁棒鲁棒性不足；逆模型参数可通过在线学习调整，性不足；逆模型参数可通过在线学习调整，性不足；逆模型参数可通过在线学习调整，性不足；逆模型参数可通过在线学习调整，以期把受控系统的鲁棒性提高至一定程度。以期把受控系统的鲁棒性提高至一定程度。以期把受控系统的鲁棒性提高至一定程度。以期把受控系统的鲁棒性提高至一定程度。内模控制即内部模型控制，该方案即保留内模控制即内部模型控制，该方案即保留了直接逆控制的优点又可以较好地解决直接逆了直接逆控制的优点又可以较好地解决直接逆控制存在的问题。控制存在的问题。-d yu -f r +滤波器滤波器NNC对象对象NNI3.内模控制系统结构内模控制系统结构v

34、v其中，系统模型（其中，系统模型（NNI正向模型）与实际正向模型）与实际系统并行设置；系统并行设置；vv反馈信号由系统输出与模型输出间的差反馈信号由系统输出与模型输出间的差得到；得到；vv由由NNC（在正向控制通道上一个具有逆（在正向控制通道上一个具有逆模型的模型的NN控制器）进行处理；控制器）进行处理；NNC控制控制器应当与系统的逆有关。器应当与系统的逆有关。PID控制要取得较好的控制效果，关键在于控制要取得较好的控制效果，关键在于调整好比例、积分和微分三种控制作用的关系。调整好比例、积分和微分三种控制作用的关系。在常规在常规PID控制器中，这种关系只能是简单的线控制器中，这种关系只能是简单

35、的线性组合，因此，难以适应复杂系统或复杂环境下性组合，因此，难以适应复杂系统或复杂环境下的控制性能要求。的控制性能要求。从变化无穷的非线性组合中可以找到三种控从变化无穷的非线性组合中可以找到三种控制作用既相互配合又相互制约的最佳关系，而神制作用既相互配合又相互制约的最佳关系，而神经网络所具有的任意非线性表达能力，可用来实经网络所具有的任意非线性表达能力，可用来实现具有最佳组合的现具有最佳组合的PID控制。控制。4.PID控制系统结构控制系统结构PID控制系统结构控制系统结构 间接自校正控制常称为自校正控制，该方间接自校正控制常称为自校正控制，该方案可在被控系统参数变化的情况下案可在被控系统参数

36、变化的情况下自动调整控自动调整控制器参数制器参数，消除扰动的影响。，消除扰动的影响。5.间接自校正控制系统结构间接自校正控制系统结构6.模型参考自适应控制系统结构模型参考自适应控制系统结构 当被控对象具有未知的非线性特性时，可采当被控对象具有未知的非线性特性时，可采用神经网络模型参考自适应控制方案，其结构如用神经网络模型参考自适应控制方案，其结构如下。下。直接型直接型间接型间接型二、二、基于基于BPBP神经网络的神经网络的PIDPID控制控制 设被控对象为设被控对象为 1.神经网络辨识器的设计神经网络辨识器的设计 2.神经网络神经网络PID控制器的设计控制器的设计 返回本节3.6.5 神经网络

37、控制举例神经网络控制举例石灰窑炉示意图石灰窑炉示意图 石灰窑炉的神经网络辨识模型石灰窑炉的神经网络辨识模型 基于神经网络的石灰窑内模控制方案基于神经网络的石灰窑内模控制方案石灰窑炉逆模型训练示意图石灰窑炉逆模型训练示意图 神经控制器的设计一般应包括以下内容神经控制器的设计一般应包括以下内容vv建立受控对象的数学计算模型或知识表示模型；vv选择神经网络及其算法,进行初步辨识与训练；vv设计神经控制器,包括控制器结构、功能与推理；vv控制系统仿真实验，并通过实验结果改进设计。模糊控制与神经网络控制的比较模糊控制与神经网络控制的比较从知识的表达方式来看从知识的表达方式来看vv模糊系统可以表达人的经验

38、性知识，便于理模糊系统可以表达人的经验性知识，便于理解，而神经网络只能描述大量数据之间的复解，而神经网络只能描述大量数据之间的复杂函数关系，难于理解杂函数关系，难于理解从知识的存储方式来看从知识的存储方式来看vv模糊系统将知识存在规则集中，神经网络将模糊系统将知识存在规则集中，神经网络将知识存在权系数中，都具有分布存储的特点知识存在权系数中，都具有分布存储的特点从知识的运用方式来看从知识的运用方式来看vv模糊系统和神经网络都具有并行处理的特点，模糊系统和神经网络都具有并行处理的特点，模糊系统同时激活的规则不多，计算量小，而模糊系统同时激活的规则不多，计算量小，而神经网络涉及的神经元很多，计算量

39、大神经网络涉及的神经元很多，计算量大从知识的获取方式来看从知识的获取方式来看vv模糊系统的规则靠专家提供或设计，难于自动模糊系统的规则靠专家提供或设计，难于自动获取而神经网络的权系数可由输入输出样本获取而神经网络的权系数可由输入输出样本中学习，无需人来设置。中学习，无需人来设置。因此将两者结合起来，在处理大规模的模糊应用因此将两者结合起来，在处理大规模的模糊应用问题方面将表现出优良的效果。问题方面将表现出优良的效果。模糊神经网络主要形式模糊神经网络主要形式 1.松散型结合松散型结合vv在一个系统中，对于可用在一个系统中，对于可用If-thenIf-then规则来表规则来表示的部分，用模糊系统描

40、述，而对很难用示的部分，用模糊系统描述，而对很难用If-If-thenthen规则表示的部分，则用神经网络，两者规则表示的部分，则用神经网络，两者之间没有直接联系。之间没有直接联系。2.并联型结合并联型结合3串联型结合串联型结合vv模糊系统和神经网络在系统中按串联方式连模糊系统和神经网络在系统中按串联方式连接，即一方的输出成为另一方的输入，这种接，即一方的输出成为另一方的输入，这种情况可看成是两段推理或者串联中前者为后情况可看成是两段推理或者串联中前者为后者输入信号的预处理部分。者输入信号的预处理部分。vv例如用神经网络从原输入信号提取有效的特例如用神经网络从原输入信号提取有效的特征量，作为模

41、糊系统的输入，这样可使获取征量，作为模糊系统的输入，这样可使获取模糊规则的过程变得容易。模糊规则的过程变得容易。结束放映返回本章首页6-1 什么叫神经网络？它有哪些特性？什么叫神经网络？它有哪些特性？6-2 人工神经网络模型结构有哪几种？人工神经网络模型结构有哪几种？6-3 神经网络系统辨识的基本思想是什么？神经网络系统辨识的基本思想是什么？6-4 简述神经网络简述神经网络PID控制器的设计思想控制器的设计思想？6.3 6.3 专家控制技术专家控制技术6.3.1 专家系统专家系统 1.1.专家系统结构专家系统结构 右图为理想专右图为理想专家系统的结构图，家系统的结构图，主要包括接口、知主要包括

42、接口、知识库、黑板、解释识库、黑板、解释器、推理机等部分。器、推理机等部分。2.2.建造专家系统的步骤建造专家系统的步骤 建立专家系统的步骤一般如下：建立专家系统的步骤一般如下：1 1）设计初始数据库）设计初始数据库 (1)(1)问题知识化问题知识化 (2)(2)知识概念化知识概念化 (3)(3)概念形式化概念形式化 (4)(4)形式规则化形式规则化 (5)(5)规则合法化规则合法化 2 2）原型机的开发与试验）原型机的开发与试验 3 3）知识库的改进与归纳）知识库的改进与归纳6.3.2 专家控制专家控制介绍介绍 专家控制系统大致可以分为以下几类：专家控制系统大致可以分为以下几类：1.1.基于

43、规则的专家自整定控制基于规则的专家自整定控制 基于规则的自整定控制器结构如下图所示。基于规则的自整定控制器结构如下图所示。2.2.专家监督控制专家监督控制 如下图所示为专家监督控制系统结构框图。如下图所示为专家监督控制系统结构框图。3.3.混合型专家控制混合型专家控制4.4.仿人智能控制仿人智能控制6.3.3 专家控制基本思想专家控制基本思想 1.1.专家控制的知识表示专家控制的知识表示 知识表示方法有以下几种知识表示方法有以下几种:1 1）产生式规则表示法：其规则的一般形式为：）产生式规则表示法：其规则的一般形式为：IF IF 条件条件l AND l AND 条件条件2 2 AND AND

44、条件条件N N THEN THEN 结论或动作结论或动作 2 2）框架表示法）框架表示法 3)3)状态空间表示法：状态空间可表示为三元组状态空间表示法：状态空间可表示为三元组 ,其中其中 表示初始状态集合，表示初始状态集合，表示表示操作集合，操作集合，表示目标状态集合。表示目标状态集合。4 4）混合表示法：混合表示法包括两种结合）混合表示法：混合表示法包括两种结合:框架与规则相结合；框架与规则相结合；数学模型与基于规则的技术数学模型与基于规则的技术相结合。相结合。5 5）其他知识表达形式：例如语义网络、谓词逻）其他知识表达形式：例如语义网络、谓词逻辑等等。辑等等。2.2.专家控制的推理与控制策

45、略专家控制的推理与控制策略 专家控制的推理机制可以表示为如下模型：专家控制的推理机制可以表示为如下模型：专家控制往往带有模糊性、不确定性和不完专家控制往往带有模糊性、不确定性和不完全性，因此专家控制的推理计算过程也要具备某种全性，因此专家控制的推理计算过程也要具备某种不确定性。通过将知识库中的知识赋予相应的可信不确定性。通过将知识库中的知识赋予相应的可信度，在推理过程中完成可信度的转移和计算，可以度，在推理过程中完成可信度的转移和计算，可以得到带有可信度的推理结果。得到带有可信度的推理结果。从这一意义上讲，推理的方式可以分为以下几种从这一意义上讲，推理的方式可以分为以下几种:1 1）演绎推理）

46、演绎推理 2 2）归纳推理）归纳推理 3 3）确定性推理）确定性推理 专家控制的推理策略主要有以下几种：专家控制的推理策略主要有以下几种：数据驱动控制策略数据驱动控制策略 目标驱动控制策略目标驱动控制策略 双向推理控制策略双向推理控制策略 6.3.4 专家控制组织结构专家控制组织结构专家控制系统的一般结构下图所示，这种系统专家控制系统的一般结构下图所示，这种系统的组织结构有两个显著特点：的组织结构有两个显著特点：知识库可以由定量知识与定性知识分离构造。知识库可以由定量知识与定性知识分离构造。用户可以通过知识获取系统直接地与内部规用户可以通过知识获取系统直接地与内部规则，进而间接地与数值算法进行

47、交互，以便操作人则，进而间接地与数值算法进行交互，以便操作人员可以对控制系统进行离线的修改和在线的监督干员可以对控制系统进行离线的修改和在线的监督干预。预。6.4 6.4 预测控制技术预测控制技术 预测控制是一类控制算法的统称，其中有动态预测控制是一类控制算法的统称，其中有动态矩阵控制（矩阵控制（DMCDMC）、模型算法控制（）、模型算法控制（MACMAC）、预测控）、预测控制（制（PCPC）以及广义预测控制（）以及广义预测控制（GPCGPC）等。）等。预测控制系统如下图所示，主要由内部模型、预测控制系统如下图所示，主要由内部模型、预测模型、参考轨迹和预测控制算法组成。预测模型、参考轨迹和预测

48、控制算法组成。6.4.1 内部模型内部模型 内部模型即为被控对象的阶跃响应或脉冲响应，内部模型即为被控对象的阶跃响应或脉冲响应，下图通过实验方法采集对象的阶跃响应或脉冲响应，下图通过实验方法采集对象的阶跃响应或脉冲响应，分别以分别以 和和 表示。表示。6.4.2 预测模型预测模型 根据内部模型的信息，预测未来的控制量及根据内部模型的信息，预测未来的控制量及响应，即构成预测模型。响应，即构成预测模型。1.1.基于阶跃响应的开环预测模型基于阶跃响应的开环预测模型 2.2.基于脉冲响应的开环预测模型基于脉冲响应的开环预测模型 3.3.闭环预测模型闭环预测模型6.4.3 预测控制算法预测控制算法1.1.动态矩阵控制（动态矩阵控制（DMCDMC）2.2.模型算法控制（模型算法控制（MACMAC）6.5 6.5 其它先进控制技术其它先进控制技术1.1.自适应控制自适应控制2.2.分层递阶控制分层递阶控制3.3.鲁棒控制鲁棒控制4.4.学习控制学习控制