模糊控制是基于专家经验和领域知识的，根据模糊推理 实施控制规则。
这两种方式都具有显式表达知识的特点。
出发点：利用神经网络很强的逼近非线性函数的能力
应用对象：模型已知、未知的；线性的、非线性的
.
5
神经网络控制的基本思想（续）
版权所有 复制必究 2009
yd﹢
f NN控制器 u
﹣
g
y
被控对象
设被控对象输入输出关系为： yg(u)
.
7
版权所有 复制必究 2009
第6.2节 神经网络系统辨识
6.2.1 系统辨识基本原理 6.2.2 非线性系统辨识
.
8
版权所有 复制必究 2009
6.2.1 系统辨识基本原理
辨识
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。
基本要素：
输入/输出数据—能够量测到的系统的输入/输出
辨识的收敛速度不依赖于待辨识系统的维数，只与神经 网络结构和所采用的学习算法有关。
神经网络的权值对应于模型参数，可通过学习修改。
神经网络实际上是待辨识系统的物理实现，可用于在线 控制。
.
13
前向建模法
版权所有 复制必究 2009
利用神经网络来逼近非线性系统的前向动力学模型。
TDL
u
TDL
TDL
非线性系统 神经网络N 学习规则
在控制系统中采用神经网络这一工具对难以精确描述的 复杂非线性对象进行建模、控制、优化计算、推理或者 故障诊断，以及同时具有上述某些功能的适当组合，将 这样的系统统称为神经网络控制系统。
基于精确模型的各种控制结构中充当对象——辨识。 在反馈控制系统中直接充当控制器——控制器。 在传统控制器中优化计算作用——优化PID参数。 与其它智能算法的结合。
d
﹢
y
﹢
yN ﹢
﹣
.
14
前向建模法（续）
版权所有 复制必究 2009
把系统动力学特征直接引入到网络本身中来，如回归神经 网络。
在网络输入信号中考虑系统的动态因素，即将输入输出的 滞后信号加到网络输入中来，从而保证网络的输出含有先 前的输入、输出信息，模拟离散的动态系统。如可用多层 前向神经网络实现。
6.1.1 神经网络控制的基本思想
神经网络的特点及应用领域
特点：
大规模并行性；冗余性；
容错性；本质的非线性；
自组织、自学习、自适应性。
应用领域：
最优化；模式识别；
信号处理；图象处理；
控制
.
3
神经网络用于控制的优越性
版权所有 复制必究 2009
神经网络可以处理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方式，具有很强的容错性， 适于处理实时性要求高的控制系统。
模型类—所考虑的系统的结构
等价准则—辨识的优化目标
推广：
在输入和输出数据的基础上，从一组模型中选择一个模
型，按照某种准则，使之能最好地拟合所关心的实际系
统的动态或静态特性。 .
9
神经网络辨识
版权所有 复制必究 2009d (k )u(k)被控对象
﹢ yp (k) ﹢ ﹢ ep(k)
辨识模型
﹣
yN (k)
选择的方法： 无理论指导，可通过实验或仿真 可通过遗传算法来学习神经网络的结构以实现特定的要求。
.
11
神经网络辨识的三要素（续）
版权所有 复制必究 2009
输入信号的选择
从时域上看，要求输入信号必须充分激励系统的所有 模态。但系统有多少模态弄不清楚。
从频域上看，要求输入信号的频谱必须足以覆盖系统 的频谱。
y N ( k 1 ) f ˆ y ( k ) y ( k 1 , ) , y ( , k n 1 ) u ( k ) u , ( k 1 , ) , u ( k , m 1 )
y(k 1)
w ji
....
局限性：
通常要建模系统的结 构未知。
y(k n)
u(k) u(k m 1)
.
15
前向建模法（续）
版权所有 复制必究 2009
考虑一类非线性离散动态系统：
y ( k 1 ) f y ( k ) y ( k 1 ) , , y ( k , n 1 ) u ( k ) u ( k , 1 ) , , u ( k , m 1 )
选择神经网络的结构与系统的结构一致。
本质：从神经网络模型中选择一个模型来逼近实际系统模型。
方法：利用输入输出数据来训练神经网络，使网络的输出与待
辨识系统的输出接近。
.
10
神经网络辨识的三要素
版权所有 复制必究 2009
模型的选择 模型仅是在某种意义下对实际系统的一种近似描述，模型的 确定要兼顾其精确性和复杂性。 模型越精确，模型就会变得越复杂； 适当降低模型的精度要求（只考虑主要因素），模型就简单。
神经网络输入输出关系为： u f (yd, y)
系统输入输出关系为： ygf(yd)
若有： f()g1() 则： y yd
注：由于神经网络控制对象一般比较复杂且高度非线性，g(.)
难以建立，所以利用e=yd-y来调整神经网络权值。
.
6
版权所有 复制必究 2009
6.1.2 神经网络在控制中的作用
.
....
....
vj ym (k)
16
逆模型法
版权所有 复制必究 2009
神经网络是本质的非线性系统，可以实现任何非线性映射。
神经网络具有很强的信息综合能力。
能够同时处理大量不同类型的输入；
能够很好地解决输入信息之间的互补性与冗余性问题；
能够恰当地协调好互相矛盾的输入信息。
神经网络的硬件实现愈趋方便。
.
4
神经网络控制的基本思想
版权所有 复制必究 2009
传统的控制方法是都是基于模型的，需要被控对象的数 学模型。
通常选用白噪声或伪随机信号作为系统的输入信号。 误差准则的选择
是用来衡量模型接近实际系统的程度的标准，通常表 示为一个误差的泛函。
E (w ) f(e (k )) e (k )
k
k .
2
12
神经网络辨识的特点
版权所有 复制必究 2009
不要求建立实际系统的辨识格式。
可以对本质非线性系统进行辨识，而且辨识是通过网络 外部的输入/输出来拟合系统的输入/输出，网络内部隐 含着系统的特性。
版权所有 复制必究 2009
第6章 神经网络控制
1
基本原理
2 神经网络系统辨识
3 直接逆模型控制
4 模型参考自适应控制
5
内模控制
.
1
版权所有 复制必究 2009
第6.1节 神经网络控制的基本原理
6.1.1 神经网络控制的基本思想 6.1.2 神经网络在控制中的主要作用
.
2
版权所有 复制必究 2009