基于神经网络的系统建模.

第九讲基于神经网络的系统建模和控制基于神经网络的系统建模和控制•神经网络辨识器•神经网络控制器NN辨识器（1）•正向建模（并联）被控对象NN模型yp(k)ym(k)u(k)+_e(k)被控对象f(.)是未知的非线性函数.神经网络模型(并联)(.)是f的NN近似模型))1(,),(),1(,),(()1(mkukunkykyfkyppp))1(,),(),1(,),((ˆ)1(mkukunkykyfkymmmfˆNN辨识器（2）•正向建模（串并联）被控对象NN+_yp(k)u(k)ym(k)被控对象f(.)是未知的非线性函数.神经网络模型(串并联)(.)是f的NN近似模型))1(,),(),1(,),(()1(mkukunkykyfkyppp))1(,),(),1(,),((ˆ)1(mkukunkykyfkyppmfˆ•确定BP网络的结构和参数•离线利用BP学习算法训练NN•获得辨识模型（并联或串并联）神经网络系统辨识模型建模实例•未知非线性系统为)())(1()())(())(()1(32kukxkxkugkxfkx•串并行NN模型为•辨识结构图))(())(()1(ˆkuNNgkxNNfkx•辨识目标：辨识状态渐近等价真实状态•NNf,NNg均用含有两层隐层的前向网络，隐层节点数分别为20,10.输入、输出节点数均为1。•输入信号采用均匀分布于[-2，2]的随机数。•学习步长取为0.08，训练10万次结束。•取)10/2sin()25/2sin()(kkku•实际状态与网络状态的比较NN辨识模型和实际系统的输出基本吻合NN用于控制被控对象NN+_y(t)u(t)r(t)离散系统神经网络控制被控对象f(.),g()均是未知的非线性函数,yr(k)是给定的目标轨线。控制目标：设计控制使得系统的输出跟踪上目标轨线，即)())(())(()1(kukygkyfkyppp)())(())(()1(kukygkyfkyppr这是三元未知函数，假设由此确定u(k)未知函数，用NN来逼近这个函数。离散系统神经网络控制（2）神经网络控制其中w是权重矩阵，s是归一化基向量函数。这里NN模型是径向基Gauss网络模型。参数自适应律为))1(),(()())1(),(()(kykyskwkykyNNkurpTrp))1(),(()()()1(kykyskekwkwrp未知离散动态系统的自适应跟踪控制连续系统神经网络控制被控对象f(.),g()均是未知的非线性函数,yr(t)是给定的目标轨线。控制目标：设计控制使得系统的输出跟踪上目标轨线，即)())(())(()(tutygtyftyppp)())(())(()(tutygtyftyppr这是三元未知函数，假设由此确定u(t)未知函数，用NN来逼近这个函数。连续系统神经网络控制（2）神经网络控制其中w是权重矩阵，s是归一化基向量函数。这里NN模型是径向基Gauss网络模型。参数自适应律为))(),(()())(),(()(tytystwtytyNNturpTrp))(),(()(ˆtytystewrp未知连续动态系统的自适应跟踪控制ThatisallforthisTalk!