神经网络的硬件实现愈趋方便。
.
2
神经网络控制的研究领域
基于神经网络的系统辨识
① 将神经网络作为被辨识系统的模型，可在已知常规模型 结构的情况下，估计模型的参数。
② 利用神经网络的线性、非线性特性，可建立线性、非线 性系统的静态、动态、逆动态及预测模型，实现非线性 系统的建模和辨识。
神经网络控制器
.
17
建模的两种基本情况
前向建模：建立系统本身的模型，也称正向建模； 逆向建模：建立系统的逆模型。
正向建模
指利用神经网络逼近对象本身的动力学特性。
简化结构图：
网络与系统并联；
对象
输出之差用作训练信号；
对网络而言，系统的实 际输出构成了期望的导 师信号，故为有导师学
神经网络 辨识模型
习；可用多层前馈神经
对象
缺点：无反馈，用作控制器的神经网络逆模型不准确 时，抗干扰能力差，缺乏鲁棒性。
两种改进结构方案：
.
8
神经网络 控制器1
+
-
对象
神经网络 辨识器2
.
9
神经网络 控制器
对象
评价函数
.
10
.
11
期望输出
+
-
神经网络 估计器
常规控制 器
对象
.
12
参考模 型输入
+
-
稳定的参 考模型
神经网络 控制器
神经网络作为实时控制系统的控制器，对不确定、不确知系 统及扰动进行有效的控制，使控制系统达到所要求的动 态、静态特性。
神经网络与其他算法相结合
将神经网络与专家系统、模糊逻辑、遗传算法等相结合，可 设计新型智能控制系统。
.
3
3.5.3 神经网络控制的研究重点
神经网络的稳定性与收敛性问题； 神经网络控制系统的稳定性与收敛性问题； 神经网络学习算法的实时性； 神经网络控制器和辨识器的模型和结构。
期望输出
-
+
对象
.
13
神经网络间接模型参考自适应控制
ቤተ መጻሕፍቲ ባይዱ期望输出
参考模型
-
神经网络
+
控制器
-
+
对象
-
+
神经网络 辨识器
神经网络辨识器向神经网络控制器提供对象的Jacobian信息。
.
14
(4) 神经网络内模控制
+-
+-
滤波器
神经网络 控制器
对象
神经网络 -
+
内模(辨识)
正向模型作为被控对象的近似模型，与实际对象并联； 控制器与对象的逆有关，可以是对象的逆； 滤波器通常为线性的，可提高系统的鲁棒性。 蓝色实线为基本原理图，加上绿色虚线后可构成内模控制的一种 具体实现。
神经网络自适应控制；
神经网络内模控制；
神经网络预测控制；
神经网络自适应评判控制；
神经网络混合控制。
.
5
(1) 神经网络监督控制
✓神经网络控制器是前馈控制器，建立被控对象的逆模 型；
✓神经网络控制器基于传统控制器的输出，在线学习调 整网络的权值，使反馈控制输入趋近于零，从而使神 经网络控制器逐渐在控制作用中占据主导地位，最终 取消反馈控制器的作用；
.
16
神经网络辨识
用神经网络作为被辨识对象的正模型、逆模型、预 测模型等，也称为神经网络建模。
说明：
①本质上，神经网络辨识的目的是建立所考查对象的 模型，因此最简单的情况下，辨识只需利用对象本 身的输入输出数据即可。
②神经网络建模本身不涉及诸如某一具体控制任务之 类的其它目的，因此与作为神经网络控制系统的结 构框图相比，辨识的原理结构图要简单得多，只要 能完成建模的任务即可；一般地，辨识结构图只涉 及对象系统本身和所用的神经网络两大主体。
网络实现；可进行离线辨识，也可进行在线辨识。
.
+ -
18
逆向建模
一般而言，建立逆模型对神经网络控制意义重大。
直接逆建模简化结构图：
可用于离线辨识，也可
对象 +
用于在线辨识。
-
神经网络 逆模型
缺点：不是目标导向的，系统输入也不可能预先定义。
实际常采用正-逆建模结构。
.
19
神经网络 逆模型 +
-
对象 +
神经网络控制
.
1
神经网络控制的优越性
神经网络可以处理那些难以用模型或规则描述的过程 或系统。
神经网络采用并行分布式信息处理，具有很强的容错 性。
神经网络是本质非线性系统，可实现任意非线性映射。
神经网络具有很强的信息综合能力，能同时处理大量 不同类型的输入，并能很好解决输入信息之间的互补 性和冗余性问题。
.
4
神经网络控制系统的结构类型
神经网络在控制系统中的作用：充当对象的模型、控制器、优化 计算环节等。
神经网络的结构形式较多，分类标准不统一；对于不同结构的神 经网络控制系统，神经网络本身在系统中的位置和功能各不相同， 学习方法也不尽相同。
几种实际的神经网络控制系统：
神经网络监督控制；
神经网络直接逆控制；
.
15
非线性系统的神经网络辨识
神经网络辨识基础
概念
辨识：是在输入和输出数据的基础上，从一组给定的
模型中，确定一个与所测系统等价的模型。
辨识的三要素：
✓数据：能量测到的被辨识系统的输入/输出数据，是 辨识的基础。 ✓模型类：要寻找的模型的范围，即所考虑系统的结构。 ✓等价准则：辨识的优化目标，用来衡量模型接近实际 系统的标准，也称误差准则或损失函数。
✓一旦系统出现干扰，反馈控制器重新起作用。
✓可确保控制系统的稳定性和鲁棒性，有效提高系统的 精度和自适应能力。
.
6
期望输出
+ -
神经网络 控制器
传统控 制器
++
对象
.
7
(2) 神经网络直接逆控制
将对象的神经网络逆模型直接与被控对象串联起来， 使期望输出与对象实际输出之间的传递函数为1。
神经网络 控制器
神经网络 正向模型
.
20
离线辨识与在线辨识
① 在线辨识是在对象系统实际运行的过程中进行的，辨识 过程要求实时性，即必须在一个采样周期的时间间隔内 至少进行一次网络权值的调整；离线辨识则是在取得对 象系统的一批输入输出数据后再进行辨识，故辨识过程 与实际系统是分离的，无实时性要求。
② 离线辨识在系统工作前预先完成网络的学习或训练，但 输入输出训练集很难覆盖对象所有可能的工作范围、且 难以适应系统在工作过程中的参数变化，故最好的辨识 方式是：先进行离线训练、再进行在线学习，将离线训 练得到的权值作为在线学习的初始权，以加快在线学习 的速度。(由于网络具有学习能力，故当被辨识对象的特性变化时，神经
网络也能通过不断地调整权值和阈值自适应地跟踪对象系统的变化。)
③ 对于神经网络控制系统，其中的辨识是以系统在闭环控 制下所得到的观测数据进行的，因此一般属在线辨识。 对于时变系统，则只能使用在线辨识。
.
21
神经网络建模的考虑因素
✓ 模型的选择