非线性系统的神经网络控制理论
参考书目: 《matlab控制系统应用与实例》清华大学出版社俭朴小笼包、恬静饼干、淡定自行车、崔世林编辑。
第6章:神经网络相平面分区控制
6.1.2非线性系统的神经网络控制
目录分类常用的神经网络控制方式: 1、前馈反馈复合控制2、神经内膜控制3、神经网络预测控制4、神经自适应控制5、神经网络PID控制6、模糊神经! )分类
神经网络在控制器设计中的应用一般分为两类:
一种神经控制:以神经网络为基础形成的独立智能控制系统。
一种混合神经网络控制:利用神经网络的学习和优化能力改进对其他控制方法的控制。
常用的神经网络控制方式: 1、前馈反馈复合控制前馈控制:基于不变性原理的控制方法,可以显著提高系统的稳态精度和跟踪性能。
反馈控制:提高系统稳定性。
前馈传递函数与系统逆模型一致时,可以实现理想的控制。
但是在许多非线性系统中,得不到过程反函数,前馈控制器不能满足要求。 人工神经网络可以充分逼近任意非线性函数,并将其用作前馈控制器,对系统进行逆动态建模,满足不变性原理,实现跟踪控制。
2、神经内膜控制
仅适用于开环稳压系统。
3、基于神经网络的预测控制
神经网络预测控制采用对象辨识模型神经网络生成预测信号,使其与系统未来的期望输出值之间具有误差,根据极小化性能指标采用优化算法求解控制向量,实现非线性系统的预测控制
4、神经适应控制
神经网络模型识别对象。 神经网络控制器根据对象实际输出与理想输出(参考模型输出)的差值E 在线调整权重。
使用对象的输入输出数据进行离线学习,在实际执行时,模型参数由神经网络在线计算,计算出所需的控制量。
5、利用神经网络的PID控制神经网络在线整定PID参数,提高系统鲁棒性,实现高性能控制。
6、模糊神经网络控制综合方式:
1 .将神经网络作为模糊系统中的隶属函数和模糊规则描述形式。
2 .改变神经元的运算规则和映射函数,使神经元在功能表达中表现为各种模糊运算规则,形成模糊神经网络
7、神经鲁棒控制H控制器需要对象的数学模型。 通过神经网络建模,实现高精度控制。
8、神经非模型控制1 .面向控制的神经元模型和学习策略
Hebb学习规则
2 .神经非模型控制结构
demo (后期回想起来放! )