智能控制技术_第2版_课件_第六章智能控制的集成技术.ppt
- 文档编号:18434722
- 上传时间:2023-08-18
- 格式:PPT
- 页数:67
- 大小:547.50KB
智能控制技术_第2版_课件_第六章智能控制的集成技术.ppt
《智能控制技术_第2版_课件_第六章智能控制的集成技术.ppt》由会员分享,可在线阅读,更多相关《智能控制技术_第2版_课件_第六章智能控制的集成技术.ppt(67页珍藏版)》请在冰点文库上搜索。
第六章智能控制的集成技术,2,模糊神经网络控制,2,3,基于神经网络的自适应控制,5,智能控制的优化算法,模糊神经网络控制方法的提出:
模糊控制系统的隶属度函数或控制规则的设计方法存在很大的主观性。
利用神经网络的学习功能来优化模糊控制规则和相应的隶属度函数、将一些专家知识预先分布到神经网络中去是提出模糊神经网络理论的两个基本出发点。
一、模糊神经网络控制,多层前向传播神经网络结构来逼近的模糊神经网络系统结构图,一、模糊神经网络控制,结构说明:
第一层节点为输入节点,用来表示语言变量;输出层的每个输出变量有两个语言节点,一个用于训练时期望输出信号的馈入,另一个表示模糊神经网络推理控制的输出信号节点;第二层和第四层的节点称为项节点,用来表示相应语言变量语言值的隶属度函数。
第三层节点称为规则节点,用来实现模糊逻辑推理。
其中第三层与第四层节点间的连接系数定义规则节点的结论部、第二、三层节点间的连接系数定义规则节点的条件部。
一、模糊神经网络控制,第一层只是将输入变量值直接传送到下一层。
所以,且输入变量与第一层节点之间的连接系数wji
(1)=1。
一、模糊神经网络控制,第二层实现语言值的隶属度函数变换,可选取钟型函数其中:
mji和ji分别表示第i个输入语言变量Xi的第j个语言值隶属度函数的中心值和宽度。
可抽象看作第一、二层神经元节点之间的连接系数wji
(2)。
一、模糊神经网络控制,第三层完成模糊逻辑推理条件部的匹配工作。
由最大、最小推理规则可知,规则节点实现的功能是模糊“与”运算。
fj(3)=min(u1(3),u2(3),.,up(3),aj(3)=fj(3)且第二层节点与第三层节点之间的连接系数wji(3)=1,一、模糊神经网络控制,第四层有两种模式从上到下的传输模式时,与第二层相同,实现模糊化的功能。
从下到上的传输模式中,实现的是模糊逻辑推理运算。
根据最大、最小推理规则,是模糊“或”运算:
fj(4)=max(u1(4),u2(4),.,up(4),aj(4)=fj(4)且第三、四层节点之间的连接系数wji(4)=1,一、模糊神经网络控制,第五层有两种模式从上到下的信号传输方式,同第一层。
从下到上是精确化计算,如果采用重心法,有则第四层节点与第五层节点之间的连接系数wji(5)可以看作是mji(5)ji(5)。
一、模糊神经网络控制,模糊神经网络控制学习算法第一阶段,使用自组织学习方法进行各语言变量语言值隶属度函数的初步定位以及尽量发掘模糊控制规则的存在性(即可以通过自组织学习删除部分不可能出现的规则)在第二阶段,利用有导学习方法来改进和优化期望输出的各语言值隶属度函数。
一、模糊神经网络控制,第一阶段:
自组织学习:
模糊控制规则的自组织和语言值隶属度函数的预辨识给定一组输入样本数据xi(t),i=1,2,.,n、期望的输出值yi(t),i=1,2,.,m、模糊分区T(x)和T(y)以及期望的隶属度函数类型(即三角型、钟型等)。
学习的目的是找到隶属度函数的参数和系统实际存在的模糊逻辑控制规则。
一、模糊神经网络控制,率先利用样本确定隶属度函数的均值和方差均值(中心值)mi的估计:
Kohonen自组织映射法方差(宽度值)i是与重叠参数r以及中心点mi邻域内分布函数值相关。
一、模糊神经网络控制,Kohonen自组织学习法。
经过一段时间的学习后,其权值的分布可以近似地看作输入随机样本的概率密度分布。
学习过程是一个Winner-take-all的过程,具体如下:
mcloest(t+1)=mcloest(t)+(t)x(t)-mcloest(t)mi(t+1)=mi(t)当mi(t)mcloest(t),k=T(x)表示语言变量x语言值的数目mi(0)为一个小的随机数,一、模糊神经网络控制,一旦确定了mi后,再计算宽度i:
通过求下列目标函数的极小值来获取,即:
其中r为重叠参数。
也可以采用一阶最近邻域法近似:
一、模糊神经网络控制,推理规则的确定即确定第三层规则节点和第四层输出语言值节点之间的连接关系。
采用竞争学习获得记o(3)i(t)为规则节点的激励强度、o(4)j(t)为第四层输出语言值节点输出,则,一、模糊神经网络控制,规则删除仅保留规则节点与同一输出语言变量的所有语言值节点的连接系数最大的那个连接关系,将其余的连接关系删除。
当某一规则节点与某一输出语言变量所有语言值节点之间的连接系数都非常小时,则所有的连接关系都可以删除。
如果某一规则节点与第四层中的所有节点的连接系数都很少而被删除的话,则该规则节点对输出节点不产生任何影响。
因此,该规则节点可以删除。
一、模糊神经网络控制,规则合并的条件该组节点具有完全相同的结论部(如图6-2中输出变量yi中的第二个语言值节点);在该组规则节点中某些条件部是相同的(如图6-2中输入变量x0中的第一个语言值节点的输出与该组规则节点全部相连);该组规则节点的其它条件输入项包含了所有其它输入语言变量某一语言值节点的输出。
一、模糊神经网络控制,图6-2:
规则节点合并示例,一、模糊神经网络控制,第二阶段:
有导师学习阶段可采用BP学习,一、模糊神经网络控制,第五层反向传播到上一层的广义误差(5)为,一、模糊神经网络控制,第四层没有任何参数进行更新。
唯一需要做的是实现误差的反向传播计算。
一、模糊神经网络控制,第二与第四层相似如果输出语言变量有m个,则,一、模糊神经网络控制,qk(3)=k(3)当aj
(2)是第k个规则节点输入值中的最小值时;qk(3)=0其它情况下。
一、模糊神经网络控制,第二层的学习公式,一、模糊神经网络控制,整个学习流程,一、模糊神经网络控制,27,模糊神经网络控制,2,3,基于神经网络的自适应控制,5,智能控制的优化算法,神经网络控制器完全满足自适应控制的要素在线、实时地了解对象;有一个可调节环节;能使系统性能达到指标要求和最优。
常规的神经网络控制器本身也具有一定的自适应能力。
二、基于神经网络的自适应控制,与传统的自适应控制器一样,有两种不同的设计途径:
间接控制:
通过系统辨识获取对象的数学模型,再根据一定的设计指标进行设计;直接控制:
根据对象的输出误差直接调节控制器内部参数来达到自适应控制的目的。
二、基于神经网络的自适应控制,1、模型参考自适应控制通过选择一个适当的参考模型和由稳定性理论设计的自适应算法,并利用参考模型的输出与实际系统输出之间的误差信号,由一套自适应算法计算出当前的控制量去控制系统达到自适应控制的目的。
在实时性方面都没有重大进展。
二、基于神经网络的自适应控制,如果被控系统y(k+1)=f(y(k),y(k-1),u(k-1)+g(u(k)参考系统:
ym(k+1)=a1ym(k)+a2ym(k-1)+r(k)则控制输入可取:
二、基于神经网络的自适应控制,基于神经网络的模型参考自适应控制结构,二、基于神经网络的自适应控制,举例:
非线性控制对象为参考系统的模型为:
ym(k+1)=0.6ym(k)+0.2ym(k-1)+r(k),二、基于神经网络的自适应控制,控制策略,记:
如果取:
u(k)=-f(y(k),y(k-1)+0.6y(k+1)+0.2y(k-1)+r(k)则控制系统的误差方程为ec(k+1)=0.6ec(k)+0.2ec(k-1)其中ec(k+1)=yp(k+1)-ym(k+1)上述控制可渐渐稳定。
二、基于神经网络的自适应控制,由于非线性方程f()是未知的,利用网络辨识模型取代未知的非线性方程f(),从而构成了基于神经网络的模型参考自适应控制器,即:
u(k)=-Ni(y(k),y(k-1)+0.6y(k)+0.2y(k-1)+r(k)取r(k)=sin(2k/25),二、基于神经网络的自适应控制,在线辨识后的控制效果,确定导师信号tj(k+1)=yp(k+1)-u(k),二、基于神经网络的自适应控制,复杂情况,对于y(k+1)=f(y(k),y(k-1),u(k-1)+g(u(k)可得如果存在,可用神经网络逼近之。
如不存在,可采用动态BP学习算法。
二、基于神经网络的自适应控制,动态BP学习算法,设网络模型已离线精确获得。
训练控制网络,使下列标准最小,二、基于神经网络的自适应控制,结构图,二、基于神经网络的自适应控制,自校正控制,如果系统的环境和模型中的参数已知,那么可以采用适当的设计方法来获取某种意义下的最优控制器。
如果系统的参数未知,则可用参数在线估计来代替未知的真实参数值。
因此,系统辨识和控制器在线调节是自校正控制器设计的关键。
二、基于神经网络的自适应控制,举例1,被控系统:
y(k+1)=ay(k)+bu(k)期望系统特性y(k+1)=cy(k)+dr(k)控制策略:
其中a、b未知时需估计。
二、基于神经网络的自适应控制,举例2,被控系统:
y(k+1)=f(y(k)+g(y(k)u(k)期望输出:
r(k+1)神经网络逼近:
控制策略:
二、基于神经网络的自适应控制,BP学习算法,指标函数学习规则,二、基于神经网络的自适应控制,44,模糊神经网络控制,2,3,基于神经网络的自适应控制,5,智能控制的优化算法,遗传算法美国的J.Holland教授于1975年提出在遗传学的基础上利用计算机来模拟生物的进化过程,从而实现复杂问题的优化求解。
模拟生物染色体的运作(复制、交叉、变异),是一种随机化搜索算法,三、智能控制的优化算法,步骤,10群体的初始化;20评价群体中每一个体的性能;30选择下一代个体;40执行简单的操作算子(如交叉、变异);50评价下一代群体的性能;60判断终止条件满足否?
若不,则转(3)继续;若满足,则结束。
三、智能控制的优化算法,需要解决的问题,编码机制;选择机制;控制参数选择;二进制字符串的群体构成;适应度函数的计算遗传算子(交叉、变异)的定义。
三、智能控制的优化算法,遗传学习算法的操作算子,编码机制(Encodingmechanism)适应度函数(Fitnessfunction)选择机制(Selectionmechanism)交叉算子(Crossover)变异算子(Mutation),三、智能控制的优化算法,编码机制,二进制编码每一个位(0或1)基因字符串染色体多值编码方法实数编码,三、智能控制的优化算法,适应度函数,优化问题的目标函数“适应度值”的计算直接通过将目标函数经一定的线性变换映射到的0,1区间内的一个值。
三、智能控制的优化算法,选择机制,基本思想取自于自然界进化论的“适者生存”。
适应度值越高的个体,生存的数量也越高。
满足“优胜劣汰”自然法则。
也可称为复制机制比例选择法(Proportionateselectionscheme)转轮选择法(RouletteWheelSelectionScheme):
随机方法,三、智能控制的优化算法,交叉算子,模拟有性繁殖现象随机地从父辈集合中选取两个个体作为双亲。
设Ll表示遗任一个体的字符串(染色体)长度,随机地产生(0Ll)之间的一个数d,并把此点位置称为交叉点。
交叉运算就是将双亲的基因链在交叉点断裂,且将在交叉点之后的基因根据交叉率的条件决定是否进行相互交换形成下一代。
所谓交叉率pc是根据优化问题预先确定的一个01之间的值。
通常取0.60.9。
三、智能控制的优化算法,变异算子,模拟基因突变现象所谓变异指的是随机地选取染色体中的某个基因(也即字符串中的某一位)进行取反运算,即将原有的“1”变为“0”和反之。
变异率pm取比较小的数值,一般pm为0.0010.2。
三、智能控制的优化算法,一般过程,群体初始化;繁殖;交叉;变异;终止准则判断,若不满足,重复;否则,搜索结束。
三、智能控制的优化算法,群体初始化,群体规模N一般情况下取N=10200之间为宜。
初始群体的构成随机选择,三、智能控制的优化算法,举例,三、智能控制的优化算法,选择,以fi/的比例分配转轮,三、智能控制的优化算法,交叉,本例中随机选取1和4号个体、2和3号个体分别形成两对进行交叉运算。
当取交叉率pc=0.5时,只有个体1和4这一对双亲进行真正的交叉运算,而另一对个体2和3不进行交叉运算。
三、智能控制的优化算法,变异,取pm=0.05P4给出了第2个个体和第4个个体中分别有一个基因发生变异后的情况。
三、智能控制的优化算法,终止准则判断,方法有两类:
一是系统的性能指标已经满足要求;二是学习次数已经达到最大允许次数。
三、智能控制的优化算法,基本思想,迭代学习(Iterativelearning)的基本思想在于总结人类学习的方法,即通过多次的训练,从经验中学会某种技能。
迭代学习控制是智能控制中具有严格数学描述的一个分支。
它以极为简单的学习算法,在给定的时间区间上实现未知被控对象以任意精度跟踪某一给定的期望轨迹的控制问题。
三、智能控制的优化算法,特点,控制器在运行过程中不需要辨识系统的参数,属于基于品质的自学习控制。
这种控制方法特别适用于具有重复运行的场合。
它的研究对诸如机器人那样有着非线性、强耦合、难以建模又需要高精度轨迹控制的场合是非常有意义的。
三、智能控制的优化算法,线性时变系统的迭代学习控制,考虑DC伺服驱动控制的速度控制系统。
三、智能控制的优化算法,数学模型,假设电枢电感足够小,而且忽略机械摩擦。
则系统可以简化为一阶系统。
y(t),v(t)分别表示电机角速度和输入控制电压;K-力矩系数Tm-电机的时间常数,三、智能控制的优化算法,求解,简化模型a=(1+AB/K)/Tm;b=A/KTm。
求解得:
三、智能控制的优化算法,迭代学习的引入,假设期望速度特性yd(t)足够光滑,可以由离散数据yd(kt),k=0,1,.N=T/t来拟合。
则初始控制v0(t)的系统误差为e0(t)=yd(t)-y0(t)根据则下一次校正后的输出控制电压可取:
三、智能控制的优化算法,迭代过程,三、智能控制的优化算法,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能 控制 技术 课件 第六 集成