神經(jīng)網(wǎng)絡(luò)控制

第9章神經(jīng)網(wǎng)絡(luò)控制9.1概述

神經(jīng)網(wǎng)絡(luò)一種具有高度非線性的連續(xù)時(shí)間動(dòng)力系統(tǒng)，它有著很強(qiáng)的自學(xué)習(xí)功能和對(duì)非線性系統(tǒng)的強(qiáng)大映射能力，已廣泛應(yīng)用于復(fù)雜對(duì)象的控制中神經(jīng)網(wǎng)絡(luò)所具有的大規(guī)模并行性、冗余性、容錯(cuò)性、本質(zhì)的非線性及自組織、自學(xué)習(xí)、自適應(yīng)能力，給不斷面臨挑戰(zhàn)的控制理論帶來(lái)生機(jī)神經(jīng)網(wǎng)絡(luò)控制處理那些難以用模型或規(guī)則描述的對(duì)象采用并行分布式信息處理方式，具有很強(qiáng)的容錯(cuò)性本質(zhì)上是非線性系統(tǒng)，可以實(shí)現(xiàn)任意非線性映射具有很強(qiáng)的信息綜合能力，能夠同時(shí)處理大量不同類型的輸入，能夠很好地解決輸入信息之間的互補(bǔ)性和冗余性問(wèn)題硬件實(shí)現(xiàn)愈趨方便,大規(guī)模集成電路技術(shù)的發(fā)展為神經(jīng)網(wǎng)絡(luò)的硬件實(shí)現(xiàn)提供了技術(shù)手段

神經(jīng)網(wǎng)絡(luò)控制在理論和實(shí)踐上，研究的重點(diǎn)有：

(1)

神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性與收斂性問(wèn)題；

(2)

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的穩(wěn)定性與收斂性問(wèn)題；

(3)

神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的實(shí)時(shí)性；

(4)

神經(jīng)網(wǎng)絡(luò)控制器和辨識(shí)器的模型和結(jié)構(gòu)；

根據(jù)神經(jīng)網(wǎng)絡(luò)在控制器中的作用不同，神經(jīng)網(wǎng)絡(luò)控制器可分為兩類神經(jīng)控制，它是以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)而形成的獨(dú)立智能控制系統(tǒng)混合神經(jīng)網(wǎng)絡(luò)控制，它是指利用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和優(yōu)化能力來(lái)改善傳統(tǒng)控制的智能控制方法，如自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制等

9.2神經(jīng)網(wǎng)絡(luò)控制結(jié)構(gòu)

9.2.1神經(jīng)網(wǎng)絡(luò)監(jiān)督控制

通過(guò)對(duì)傳統(tǒng)控制器進(jìn)行學(xué)習(xí)，然后用神經(jīng)網(wǎng)絡(luò)控制器逐漸取代傳統(tǒng)控制器的方法，稱為神經(jīng)網(wǎng)絡(luò)監(jiān)督控制。神經(jīng)網(wǎng)絡(luò)監(jiān)督控制的結(jié)構(gòu)如圖9-1所示。圖9-1神經(jīng)網(wǎng)絡(luò)監(jiān)督控制

神經(jīng)網(wǎng)絡(luò)控制器實(shí)際上是一個(gè)前饋控制器，它建立的是被控對(duì)象的逆模型。神經(jīng)網(wǎng)絡(luò)控制器通過(guò)對(duì)傳統(tǒng)控制器的輸出進(jìn)行學(xué)習(xí)，在線調(diào)整網(wǎng)絡(luò)的權(quán)值，使反饋控制輸入趨近于零，從而使神經(jīng)網(wǎng)絡(luò)控制器逐漸在控制作用中占據(jù)主導(dǎo)地位，最終取消反饋控制器的作用。一旦系統(tǒng)出現(xiàn)干擾，反饋控制器重新起作用。這種前饋加反饋的監(jiān)督控制方法，不僅可以確?？刂葡到y(tǒng)的穩(wěn)定性和魯棒性，而且可有效地提高系統(tǒng)的精度和自適應(yīng)能力。9.2.2神經(jīng)網(wǎng)絡(luò)直接逆動(dòng)態(tài)控制神經(jīng)網(wǎng)絡(luò)直接逆控制就是將被控對(duì)象的神經(jīng)網(wǎng)絡(luò)逆模型直接與被控對(duì)象串聯(lián)起來(lái)，以便使期望輸出與對(duì)象實(shí)際輸出之間的傳遞函數(shù)為1。則將此網(wǎng)絡(luò)作為前饋控制器后，被控對(duì)象的輸出為期望輸出。顯然，神經(jīng)網(wǎng)絡(luò)直接逆控制的可用性在相當(dāng)程度上取決于逆模型的準(zhǔn)確精度。由于缺乏反饋，簡(jiǎn)單連接的直接逆控制缺乏魯棒性。為此，一般應(yīng)使其具有在線學(xué)習(xí)能力，即作為逆模型的神經(jīng)網(wǎng)絡(luò)連接權(quán)能夠在線調(diào)整。

圖9-2為神經(jīng)網(wǎng)絡(luò)直接逆控制的兩種結(jié)構(gòu)方案。在圖9-2(a)中，NN1和NN2為具有完全相同的網(wǎng)絡(luò)結(jié)構(gòu)，并采用相同的學(xué)習(xí)算法，分別實(shí)現(xiàn)對(duì)象的逆。在圖9-2(b)中，神經(jīng)網(wǎng)絡(luò)NN通過(guò)評(píng)價(jià)函數(shù)進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)對(duì)象的逆控制。

（a）

圖9-2神經(jīng)網(wǎng)絡(luò)直接逆控制（b）

9.2.3神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制

與傳統(tǒng)自適應(yīng)控制相同，神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制也分為神經(jīng)網(wǎng)絡(luò)自校正控制和神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制兩種。自校正控制根據(jù)對(duì)系統(tǒng)正向或逆模型的結(jié)果調(diào)節(jié)控制器內(nèi)部參數(shù)，使系統(tǒng)滿足給定的指標(biāo)，而在模型參考自適應(yīng)控制中，閉環(huán)控制系統(tǒng)的期望性能由一個(gè)穩(wěn)定的參考模型來(lái)描述。

1神經(jīng)網(wǎng)絡(luò)自校正控制

神經(jīng)網(wǎng)絡(luò)自校正控制分為直接自校正控制和間接自校正控制。間接自校正控制使用常規(guī)控制器，神經(jīng)網(wǎng)絡(luò)估計(jì)器需要較高的建模精度。直接自校正控制同時(shí)使用神經(jīng)網(wǎng)絡(luò)控制器和神經(jīng)網(wǎng)絡(luò)估計(jì)器。（1）神經(jīng)網(wǎng)絡(luò)直接自校正控制

在本質(zhì)上同神經(jīng)網(wǎng)絡(luò)直接逆控制，其結(jié)構(gòu)如圖9-2所示。（2）神經(jīng)網(wǎng)絡(luò)間接自校正控制

其結(jié)構(gòu)如圖9-3所示。假設(shè)被控對(duì)象為如下單變量仿射非線性系統(tǒng)：

若利用神經(jīng)網(wǎng)絡(luò)對(duì)非線性函數(shù)和進(jìn)行逼近，得到和，則控制器為：其中為時(shí)刻的期望輸出值。圖9-3神經(jīng)網(wǎng)絡(luò)間接自校正控制2.神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制分為直接模型參考自適應(yīng)控制和間接模型參考自適應(yīng)控制兩種。（1）直接模型參考自適應(yīng)控制

如圖9-4所示。神經(jīng)網(wǎng)絡(luò)控制器的作用是使被控對(duì)象與參考模型輸出之差為最小。但該方法需要知道對(duì)象的信息。

圖9-4神經(jīng)網(wǎng)絡(luò)直接模型參考自適應(yīng)控制（2）間接模型參考自適應(yīng)控制如圖9-5所示。神經(jīng)網(wǎng)絡(luò)辨識(shí)器NNI向神經(jīng)網(wǎng)絡(luò)控制器NNC提供對(duì)象的信息，用于控制器NNC的學(xué)習(xí)。圖9-5神經(jīng)網(wǎng)絡(luò)間接模型參考自適應(yīng)控制

9.2.4神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?/p>

經(jīng)典的內(nèi)?？刂茖⒈豢叵到y(tǒng)的正向模型和逆模型直接加入反饋回路，系統(tǒng)的正向模型作為被控對(duì)象的近似模型與實(shí)際對(duì)象并聯(lián)，兩者輸出之差被用作反饋信號(hào)，該反饋信號(hào)又經(jīng)過(guò)前向通道的濾波器及控制器進(jìn)行處理?？刂破髦苯优c系統(tǒng)的逆有關(guān)，通過(guò)引入濾波器來(lái)提高系統(tǒng)的魯棒性。圖9-6為神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?，被控對(duì)象的正向模型及控制器均由神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)。圖9-6神經(jīng)網(wǎng)絡(luò)內(nèi)?？刂?/p>

9.2.5神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制

預(yù)測(cè)控制又稱為基于模型的控制，是70年代后期發(fā)展起來(lái)的新型計(jì)算機(jī)控制方法，該方法的特征是預(yù)測(cè)模型、滾動(dòng)優(yōu)化和反饋校正。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制的結(jié)構(gòu)如圖9-7所示，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)器建立了非線性被控對(duì)象的預(yù)測(cè)模型，并可在線進(jìn)行學(xué)習(xí)修正。利用此預(yù)測(cè)模型，通過(guò)設(shè)計(jì)優(yōu)化性能指標(biāo)，利用非線性優(yōu)化器可求出優(yōu)化的控制作用。圖9-7神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)控制9.2.6神經(jīng)網(wǎng)絡(luò)自適應(yīng)評(píng)判控制

神經(jīng)網(wǎng)絡(luò)自適應(yīng)評(píng)判控制通常由兩個(gè)網(wǎng)絡(luò)組成，如圖9-8所示。自適應(yīng)評(píng)判網(wǎng)絡(luò)通過(guò)不斷的獎(jiǎng)勵(lì)、懲罰等再勵(lì)學(xué)習(xí)，使自己逐漸成為一個(gè)合格的“教師”，學(xué)習(xí)完成后，根據(jù)系統(tǒng)目前的狀態(tài)和外部激勵(lì)反饋信號(hào)產(chǎn)生一個(gè)內(nèi)部再勵(lì)信號(hào)，以對(duì)目前的控制效果作出評(píng)價(jià)?？刂七x擇網(wǎng)絡(luò)相當(dāng)于一個(gè)在內(nèi)部再勵(lì)信號(hào)指導(dǎo)下進(jìn)行學(xué)習(xí)的多層前饋神經(jīng)網(wǎng)絡(luò)控制器，該網(wǎng)絡(luò)在進(jìn)行學(xué)習(xí)后，根據(jù)編碼后的系統(tǒng)狀態(tài)，在允許控制集中選擇下一步的控制作用。圖9-8神經(jīng)網(wǎng)絡(luò)自適應(yīng)評(píng)判控制

9.2.7神經(jīng)網(wǎng)絡(luò)混合控制該控制方法是集成人工智能各分支的優(yōu)點(diǎn)，由神經(jīng)網(wǎng)絡(luò)技術(shù)與模糊控制、專家系統(tǒng)等相結(jié)合而形成的一種具有很強(qiáng)學(xué)習(xí)能力的智能控制系統(tǒng)。由神經(jīng)網(wǎng)絡(luò)和模糊控制相結(jié)合構(gòu)成模糊神經(jīng)網(wǎng)絡(luò)，由神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合構(gòu)成神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)。神經(jīng)網(wǎng)絡(luò)混合控制可使控制系統(tǒng)同時(shí)具有學(xué)習(xí)、推理和決策能力。

9.3單神經(jīng)元網(wǎng)絡(luò)控制9.3.1單神經(jīng)元自適應(yīng)控制算法單神經(jīng)元自適應(yīng)控制的結(jié)構(gòu)如圖9-9所示。圖9-9單神經(jīng)元自適應(yīng)PID控制結(jié)構(gòu)單神經(jīng)網(wǎng)絡(luò)控制器

單神經(jīng)元自適應(yīng)控制器是通過(guò)對(duì)加權(quán)系數(shù)的調(diào)整來(lái)實(shí)現(xiàn)自適應(yīng)、自組織功能，控制算法為

如果權(quán)系數(shù)的調(diào)整按有監(jiān)督的Hebb學(xué)習(xí)規(guī)則實(shí)現(xiàn)，即在學(xué)習(xí)算法中加入監(jiān)督項(xiàng)，則神經(jīng)網(wǎng)絡(luò)權(quán)值學(xué)習(xí)算法為：式中，

為學(xué)習(xí)速率，為神經(jīng)元的比例系數(shù)，。

值的選擇非常重要。越大，則快速性越好，但超調(diào)量大，甚至可能使系統(tǒng)不穩(wěn)定。當(dāng)被控對(duì)象時(shí)延增大時(shí)，值必須減少，以保證系統(tǒng)穩(wěn)定。值選擇過(guò)小，會(huì)使系統(tǒng)的快速性變差。

輸入指令為一方波信號(hào)采樣時(shí)間為1ms，采用單神經(jīng)元自適應(yīng)控制律進(jìn)行控制。仿真程序：chap9_1.m9.3.2仿真實(shí)例

被控對(duì)象為9.4RBF網(wǎng)絡(luò)監(jiān)督控制9.4.1RBF網(wǎng)絡(luò)監(jiān)督控制算法基于RBF網(wǎng)絡(luò)的監(jiān)督控制系統(tǒng)結(jié)構(gòu)如圖9-14所示。

圖9-14神經(jīng)網(wǎng)絡(luò)監(jiān)督控制

在RBF網(wǎng)絡(luò)結(jié)構(gòu)中，取網(wǎng)絡(luò)的輸入為，網(wǎng)絡(luò)的徑向基向量為，為高斯基函數(shù)：其中，為節(jié)點(diǎn)的基寬度參數(shù)，，為網(wǎng)絡(luò)第個(gè)結(jié)點(diǎn)的中心矢量，，。網(wǎng)絡(luò)的權(quán)向量為：

RBF網(wǎng)絡(luò)的輸出為：

其中為RBF網(wǎng)絡(luò)隱層神經(jīng)元的個(gè)數(shù)?？刂坡蔀椋涸O(shè)神經(jīng)網(wǎng)絡(luò)調(diào)整的性能指標(biāo)為：采用梯度下降法調(diào)整網(wǎng)絡(luò)的權(quán)值：近似地取由此所產(chǎn)生的不精確通過(guò)權(quán)值調(diào)節(jié)來(lái)補(bǔ)償。神經(jīng)網(wǎng)絡(luò)權(quán)值的調(diào)整過(guò)程為：其中為學(xué)習(xí)速率，為動(dòng)量因子。則9.4.2仿真實(shí)例

被控對(duì)象為：RBF網(wǎng)絡(luò)監(jiān)督控制程序?yàn)閏h