第三章 神经网络控制及应用(辨识与控制)

13.2神经网络系统辨识系统辨识（Identification）的主要应用：1.控制系统的分析和设计2.用于自校正、模型参考自适应系统3.预测和预报4.监视系统运行状态，进行故障诊断23.2.1神经网络系统辨识原理定义：系统辨识就是在输入和输出数据的基础上，从一组给定的模型类中确定一个与所测系统等价的模型。1．动态系统的常用自回归滑动平均模型以单输入单输出(SISO)时不变离散系统为对象：3.2神经网络系统辨识nimjlppjipkdjkuikyaky111)()()()(lppniipkdmkukukugikyaky11)()](,),2(),1([)()(mjjjkunkykykyfky1)()](,),2(),1([)(lpppkd1)(系统Ⅰ系统Ⅱ系统Ⅲ3.2.1.1系统辨识原理31．动态系统的常用自回归滑动平均模型3.2神经网络系统辨识系统Ⅳ系统Ⅴlpppkdmkukukugnkykykyfky1)()](,),2(),1([)](,),2(),1([)(lpppkdmkukukunkykykyfky1)()](,),2(),1()(,),2(),1([)(；其中，u(k)、y(k)和d(k)分别代表系统在k时刻的可测输入、输出和扰动，m、n和l分别为输入时间序列、输出时间序列和扰动时间序列的阶次，且，、和为常系数，，，γ=1,2,…,l。nmijpni,,2,1mj,,2,13.2.1.1系统辨识原理4系统Ⅰ对过去n个时刻的输出和过去m个时刻的输入是线性的；系统Ⅱ对前n个时刻的输出是线性的，对前m个时刻的输入是非线性的；系统Ⅲ对过去的输出是非线性的，对过去的输入是线性的；系统Ⅳ对过去的输出和过去的输入都非线性的；系统Ⅴ的输出是n个过去的输入和m个过去的输出非线性函数，是非线性系统的通用表达式，而系统Ⅱ～系统Ⅳ可看作它的特例。3.2神经网络系统辨识1．动态系统的常用自回归滑动平均模型3.2.1.1系统辨识原理53.2神经网络系统辨识2．动态系统的离散状态空间模型)](),([)()]([)]([)1(kkgkkkkuxyuxx)](),([)()]([),([)1(kkgkkkkuxyuxx仿射型：一般型：其中，为非线性算子，u(k)，y(k)，x(k)是系统在时刻k的输入、输出和状态变量。设系统具有能观性和能控性。g，，3.2.1.1系统辨识原理61)实验设计确定输入信号、采样周期、辨识时间、开环或闭环、离线或在线等等。2)确定辨识模型M的结构M的结构设计主要依靠人的经验来确定，M可以由一个或多个神经网络组成，也可以加入线性系统。3)确定辨识模型的参数需要选择合适的参数辨识算法。采用BP神经网络时，可采用一般的BP学习算法辨识网络的权值参数。4)模型检验模型的实际应用效果是对系统辨识效果优劣的检验标准。3.2神经网络系统辨识3.2.1.2辨识的主要步骤73.2神经网络系统辨识3.2.1.3在线辨识与离线辨识dP∑+-e(k)u(k)Pˆ)(ky)(ˆky83.2神经网络系统辨识3.2.1.3在线辨识与离线辨识在线辨识是在系统实际运行中进行的，辨识过程由实时性要求。离线辨识是在已取得大量系统的输入输出后，用这些历史数据对神经网络进行训练（辨识），因此辨识过程与实际系统是分离的，无实时性要求。离线辨识可使神经网络在系统工作前预先完成训练过程，但因输入输出训练样本集很难覆盖系统所有可能的工作范围，因而难以适应系统在工作过程中的参数变化。在实际应用中，一般先进行离线训练，得到网络的权值后再进行在线学习，这时网络离线训练后的权值就成为在线学习时的初始值，从而使辨识的实时性得到改善。93.2神经网络系统辨识3.2.2系统模型的神经网络辨识3.2.2.1系统正模型的神经网络辨识采用系统Ⅴ的一般描述，设n=3，m=2，被辨识系统差分方程为)]2(),1(),3(),2(),1([)(210kukukyakyakyfky令辨识模型M为]),2(),1(),3(ˆ),2(ˆ),1(ˆ[)(ˆWkukukykykyNky]),2(),1(),3(),2(),1([)(ˆWkukukykykyNky或(3-90)(3-91)10u(k)y(k)P神经网络z-1z-1z-1z-1z-1u(k-1)u(k-2))(ˆky)3(ˆky)2(ˆky)1(ˆkye(k)3.2神经网络系统辨识3.2.2.1系统正模型的神经网络辨识并联结构11u(k)y(k)P神经网络u(k)y(k)P神经网络z-1z-1z-1z-1z-1z-1z-1z-1z-1z-1u(k-1)u(k-2))(ˆkye(k))3(ˆky)2(ˆky)1(ˆkye(k)u(k-1)u(k-2))3(ˆky)2(ˆky)1(ˆky3.2神经网络系统辨识3.2.2.1系统正模型的神经网络辨识串-并联结构12设P-1为系统的逆模型，若将系统的输出作为辨识模型的输入，而将系统的输入作为辨识模型的教师信号，结果可得到系统逆模型的辨识模型1ˆP。e(t)y(t+1)u(t)e(t)y(t+1)P(NN)u(t)P(NN)系统逆模型辨识的两种结构(a)反馈结构(b)前馈结构3.2神经网络系统辨识3.2.2.2系统逆模型的神经网络辨识133.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例建立加热炉中钢坯表面温度预报模型在BP网络的基础之上把输出端信号通过延时环节反馈到输入端，从而形成动态BP网络。1z钢坯表面温度炉膛温度Ut神经网络辨识模型14在选取样本时，两组不同工况下的数据中的炉膛温度都进行线性化处理，工况1、2分别以炉温达850℃和880℃时取样的加热数据。网络训练误差曲线工况1实测温度、预报温度比较图153.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例例二：粮食干燥热力过程神经网络模型辨识粮食干燥塔系统简化图神经网络辨识模型163.2神经网络系统辨识3.2.2.3神经网络系统辨识应用实例例二：粮食干燥热力过程神经网络模型辨识干燥塔出口粮食水分神经网络辨识结果与实测结果比较173.2神经网络系统辨识例三：BP网络在齿轮箱故障诊断中的应用根据齿轮箱9组数据，用BP神经网络对其进行故障诊断（数据为齿轮的啮合频率，并进行归一化处理。网络结构为15-31-3）。由于齿轮包括3种故障模式，故可采用如下的形式表示输出模式：无故障：（1，0，0）；齿根裂纹：（0，1，0）；断齿：（0，0，1）；其中三组测试数据对应的故障分别为齿根裂纹、无故障、断齿。而网络输出值为：0.00280.99070.01010.95650.02170.00610.02420.00210.991918P=[0.22860.12920.0720.15920.13350.07330.11590.0940.05220.13450.0090.1260.36190.0690.1828;0.2090.09470.13930.13870.25580.090.07710.08820.03930.1430.01260.1670.2450.05080.1328;0.04420.0880.11470.05080.13280.1150.14530.04290.18180.03780.00920.22510.15160.08580.067;0.26030.17150.07020.27110.14910.1330.09680.19110.25450.08710.0060.17930.10020.07890.0909;0.3690.22220.05620.51570.18720.16140.14250.15060.13100.050.00780.03480.04510.07070.088;0.03590.11490.1230.5460.19770.12480.06240.08320.1640.10020.00590.15030.18370.12950.07;0.17590.23470.18290.18110.29220.06550.07740.22730.20560.09250.00780.18520.35010.1680.2668;0.07240.19090.1340.24090.28420.0450.08240.10640.19090.15860.01160.16980.36440.27180.2494;0.26340.22580.11650.11540.10740.06570.0610.26230.25880.11550.0050.09780.15110.22730.322]';T=[100;100;100;010;010;010;001;001;001]';threshold=[01;01;01;01;01;01;01;01;01;01;01;01;01;01;01];net=newff(threshold,[31,3],{'tansig','logsig'},'trainlm');19net.trainParam.epochs=50;net.trainParam.goal=0.001;LP.lr=0.1;net=train(net,P,T);%测试数据test=[0.25930.180.07110.28010.15010.12980.10010.18910.25310.08750.00580.18030.09920.08020.1002;0.21010.0950.12980.13590.26010.10010.07530.0890.03890.14510.01280.1590.24520.05120.1319;0.25990.22350.12010.11710.11020.06830.06210.25970.26020.11670.00480.10020.15210.22810.3205]';y=sim(net,test)TRAINLM-calcjx,Epoch0/50,MSE0.29517/0.001,Gradient0.29501/1e-010TRAINLM-calcjx,Epoch5/50,MSE0.000163395/0.001,Gradient0.000683316/1e-010TRAINLM,Performancegoalmet.y=0.00280.99070.01010.95650.02170.00610.02420.00210.9919203.2神经网络系统辨识例四：RBF网络在股市价格中的应用这里将3天作为一个周期，3天的股票价格作为网络的输入向量，输出为预测日当天的股票价格。日期股票价格日期股票价格10.125470.711920.231580.868530.329790.925640.437650.542560.607821P=[0.12540.23150.3279;0.23150.32970.4376;0.32970.43760.5425;0.43760.54250.6078;0.54250.60780.7119]';T=[0.43760.54250.60780.71190.8685];P_test=[0.60780.71190.8685]';net=newrb(P,T,0,40);y=sim(net,P_test)x9=0.9256;e=x9-yNEWRB,neurons=0,SSE=0.0196226y=0.8343e=0.091322神经网络控制是神经网络与自动控制相结合而形成的一门综合性学科，基于神经网络的智能控制系统已有许多成功的应用实例，神经网络控制系统的设计与应用既需要熟悉神经网络的各种网络模型、学习算法以及主要特性，又要熟悉控制领域