基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模

1、基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模和控制基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模和控制 神經(jīng)網(wǎng)絡(luò)辨識器 神經(jīng)網(wǎng)絡(luò)控制器NN辨識器（1） 正向建模（并聯(lián)）被控對象NN模型yp(k)ym(k)u(k)+_e(k) 被控對象f (.)是未知的非線性函數(shù).神經(jīng)網(wǎng)絡(luò)模型(并聯(lián)) (.)是f 的NN近似模型)1(,),(),1(,),() 1(mkukunkykyfkyppp)1(,),(),1(,),() 1(mkukunkykyfkymmmfNN辨識器（2） 正向建模（串并聯(lián)）被控對象NN+_yp(k)u(k)ym(k) 被控對象f (.)是未知的非線性函數(shù).神經(jīng)網(wǎng)絡(luò)模型(串并聯(lián)) (.)是f 的NN近似模型)1(,),(),1(

2、,),() 1(mkukunkykyfkyppp)1(,),(),1(,),() 1(mkukunkykyfkyppmf 確定BP網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù) 離線利用BP學(xué)習(xí)算法訓(xùn)練NN 獲得辨識模型（并聯(lián)或串并聯(lián)）神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識模型建模實例 未知非線性系統(tǒng)為)()(1 ()()()() 1(32kukxkxkugkxfkx 串并行NN模型為 辨識結(jié)構(gòu)圖)()() 1( kuNNgkxNNfkx辨識目標(biāo)：辨識狀態(tài)漸近等價真實狀態(tài)辨識目標(biāo)：辨識狀態(tài)漸近等價真實狀態(tài)NNf, NNg均用含有兩層隱層的前向網(wǎng)絡(luò)，隱層節(jié)點數(shù)分別為20,10.輸入、輸出節(jié)點數(shù)均為1。 輸入信號采用均勻分布于-2，2的隨機(jī)數(shù)。 學(xué)

3、習(xí)步長取為0.08，訓(xùn)練10萬次結(jié)束。 取)10/2sin()25/2sin()(kkku 實際狀態(tài)與網(wǎng)絡(luò)狀態(tài)的比較實際狀態(tài)與網(wǎng)絡(luò)狀態(tài)的比較NN用于控制被控對象NN+_y(t)u(t)r(t)離散系統(tǒng)神經(jīng)網(wǎng)絡(luò)控制被控對象f (.), g()均是未知的非線性函數(shù), yr(k)是給定的目標(biāo)軌線?？刂颇繕?biāo)：設(shè)計控制使得系統(tǒng)的輸出跟蹤上目標(biāo)軌線，即)()()() 1(kukygkyfkyppp)()()() 1(kukygkyfkyppr這是三元未知函數(shù)，假設(shè)由此確定u(k)未知函數(shù)，用NN來逼近這個函數(shù)。離散系統(tǒng)神經(jīng)網(wǎng)絡(luò)控制（2） 神經(jīng)網(wǎng)絡(luò)控制其中w是權(quán)重矩陣，s是歸一化基向量函數(shù)。這里NN模型是徑

4、向基Gauss網(wǎng)絡(luò)模型。參數(shù)自適應(yīng)律為 )1(),()()1(),()(kykyskwkykyNNkurpTrp)1(),()()() 1(kykyskekwkwrp未知離散動態(tài)系統(tǒng)的自適應(yīng)跟蹤控制連續(xù)系統(tǒng)神經(jīng)網(wǎng)絡(luò)控制被控對象f (.), g()均是未知的非線性函數(shù), yr(t)是給定的目標(biāo)軌線。控制目標(biāo)：設(shè)計控制使得系統(tǒng)的輸出跟蹤上目標(biāo)軌線，即)()()()(tutygtyftyppp)()()()(tutygtyftyppr這是三元未知函數(shù)，假設(shè)由此確定u(t)未知函數(shù)，用NN來逼近這個函數(shù)。連續(xù)系統(tǒng)神經(jīng)網(wǎng)絡(luò)控制（2） 神經(jīng)網(wǎng)絡(luò)控制其中w是權(quán)重矩陣，s是歸一化基向量函數(shù)。這里NN模型是徑向基Gauss網(wǎng)絡(luò)模型。參數(shù)自適應(yīng)律為 )(),()()(),()(tytystwtytyNNt