基于Simulink的神经网络PPT课件

第3章基于Simulink的神经网络控制系统3.1基于Simulink的神经网络模块3.2基于Simulink的三种典型神经网络控制系统13.1基于Simulink的神经网络模块神经网络工具箱中提供了一套可在Simulink中用来建立神经网络的模块，对于在MATLAB工作空间中建立的网络，也能够使用函数gensim()生成一个相应的Simulink网络模块。23.1.1模块的设置在Simulink库浏览窗口的NeuralNetworkBlockset节点上，通过单击鼠标右键后，便可打开如图3-1所示的NeuralNetworkBlockset模块集窗口。图3-1NeuralNetworkBlockset模块集在NeuralNetworkBlockset模块集中包含了四个模块库，用鼠标的左键双击各个模块库的图标，便可打开相应的模块库。31.传输函数模块库(TransferFunctions)用鼠标的左键双击TransferFunctions模块库的图标，便可打开如图3-2所示的传输函数模块库窗口。传输函数模块库中的任意一个模块都能够接受一个网络输入向量，并且相应地产生一个输出向量，这个输出向量的组数和输入向量相同。图3-2传输函数模块库窗口42.网络输入模块库(NetInputFunctions)用鼠标的左键双击NetInputFunctions模块库的图标，便可打开如图3-3所示的网络输入模块库窗口。网络输入模块库中的每一个模块都能够接受任意数目的加权输入向量、加权的层输出向量，以及偏值向量，并且返回一个网络输入向量。图3-3网络输入模块库窗口53.权值模块库(WeightFunctions)用鼠标的左键双击WeightFunctions模块库的图标，便可打开如图3-4所示的权值模块库窗口。权值模块库中的每个模块都以一个神经元权值向量作为输入，并将其与一个输入向量（或者是某一层的输出向量）进行运算，得到神经元的加权输入值。图3-4权值模块库窗口上面的这些模块需要的权值向量必须定义为列向量。这是因为Simulink中的信号可以为列向量，但是不能为矩阵或者行向量。64.控制系统模块库(ControlSystems)用鼠标的左键双击ControlSystems模块库的图标，便可打开如图3-5所示的控制系统模块库窗口。图3-5控制系统模块库窗口神经网络的控制系统模块库中包含三个控制器和一个示波器。关于它们的使用方法将在下一节专门介绍。73.1.2模块的生成在MATLAB工作空间中，利用函数gensim()，能够对一个神经网络生成其模块化描述，从而可在Simulink中对其进行仿真。gensim()函数的调用格式为：gensim(net,st)其中第一个参数指定了MATLAB工作空间中需要生成模块化描述的网络，第二个参数指定了采样时间，它通常情况下为一正数。如果网络没有与输入权值或者层中权值相关的延迟，则指定第二个参数为-1，那么函数gensim()将生成一个连续采样的网络。8例3-1设计一个线性网络，并生成其模块化描述。定义网络的输入为：X=[12345]，相应的目标为：T=[13579]。解实现以上任务的MATLAB命令为：Ex3_1结果显示：y=13579可以看出，网络已经正确地解决了问题。gensim(net,-1)93.2基于Simulink的神经网络控制系统神经网络在系统辨识和动态系统控制中已经得到了非常成功的使用。由于神经网络具有全局逼近能力，使得其在对非线性系统建模和对一般情况下的非线性控制器的实现等方而应用的比较普遍。本节将介绍三种在神经网络工具箱的控制系统模块(ControlSystems)中利用Simulink实现的比较普遍的神经网络结构，它们常用于预测和控制，并已在MATLAB对应的神经网络工具箱中给出了实现。10这三种神经网络结构分别是：．神经网络模型预测控制(NNPredictiveController)．反馈线性化控制(NARMA-L2Controller)．模型参考控制(ModelReferenceController)使用神经网络进行控制时，通常有两个步骤：系统辨识和控制设计。11在系统辨识阶段，主要任务是对需要控制的系统建立神经网络模型；在控制设计阶段，主要使用神经网络模型来设计（训练）控制器。在本节将要介绍的三种控制网络结构中，系统辨识阶段是相同的，而控制设计阶段则各不相同。对于模型预测控制，系统模型用于预测系统未来的行为，并且找到最优的算法，用于选择控制输入，以优化未来的性能。对于NARMA-L2（反馈线性化）控制，控制器仅仅是将系统模型进行重整。对于模型参考控制，控制器是一个神经网络，它被训练以用于控制系统，使得系统跟踪一个参考模型，这个神经网络系统模型在控制器训练中起辅助作用。123.2.1神经网络模型预测控制1.模型预测控制理论神经网络预测控制器是使用非线性神经网络模型来预测未来模型性能。控制器计算控制输入，而控制输入在未来一段指定的时间内将最优化模型性能。模型预测第一步是要建立神经网络模型（系统辨识）；第二步，使用控制器来预测未来神经网络性能。131)系统辨识模型预测的第一步就是训练神经网络未来表示网络的动态机制。模型输出与神经网络输出之间的预测误差，用来作为神经网络的训练信号，该过程用图3-11来表示。图3-11训练神经网络14神经网络模型利用当前输入和当前输出预测神经未来输出值。神经网络模型结构如图3-12所示，该网络可以以批量再线训练。图3-12神经网络模型结构152)模型预测模型预测方法是基于水平后退的方法，神经网络模型预测在指定时间内预测模型响应。预测使用数字最优化程序来确定控制信号，通过最优化如下的性能准则函数：式中N2为预测时域长度；Nu为控制时域长度；u(t)为控制信号；yr为期望响应，ym为网络模型响应，为控制量加权系数。uNjNjmrjtujtujtyjtyJ1212)]2()1([)]()([216图3-13描述了模型预测控制的过程。控制器由神经网络模型和最优化方块组成，最优化方块确定u（通过最小化J），最优u值作为神经网络模型的输入，控制器方块可用Simulink实现。图3-13预测模型控制的过程172.模型预测神经网络控制实例分析——搅拌器控制系统在MATLAB神经网络工具箱中实现的神经网络预测控制器使用了一个非线性系统模型，用于预测系统未来的性能。接下来这个控制器将计算控制输入，用于在某个未来的时间区间里优化系统的性能。进行模型预测控制首先要建立系统的模型，然后使用控制器来预测未来的性能。下面将结合MATLAB神经网络工具箱中提供的一个演示实例，介绍Simulink中的实现过程。181)．问题的描述要讨论的问题基于一个搅拌器（CSTR），如图3-14所示。对于这个系统，其动力学模型为：221221121))(1()()()())(()()())(()()(2.0)()()(tCktCkthtwtCCthtwtCCdttdCthtwtwdttdhbbbbbbb图3-14搅拌器19其中h(t)为液面高度，Cb(t)为产品输出浓度，w1(t)为浓缩液Cb1的输入流速，w2(t)为稀释液Cb2的输入流速。输入浓度设定为：Cb1=24.9，Cb2=0.1。消耗常量设置为：k1=1，k2=1。控制的目标是通过调节流速w2(t)来保持产品浓度。为了简化演示过程，不妨设w1(t)=0.1。在本例中不考虑液面高度h(t)。202)．建立模型在MATLAB神经网络工具箱中提供了这个演示实例。只需在MATLAB命令窗口中输入命令：predcstr。就会自动地调用Simulink，并且产生如图3-15所示的模型窗口。图3-15模型窗口21其中神经网络预测控制模块（NNPredctiveController）和X(2Y)Graph模块由神经网络模块集（NeuraiNetworkBlockset）中的控制系统模块库（ControlSystems）复制而来。图3-20中的Plant（ContinuousStirredTankReactor）模块包含了搅拌器系统的Simulink模型。双击这个模块，可以得到具体的Simulink实现，此处将不加以深入讨论。NNPredictiveController模块的ControlSignal端连接到搅拌器系统模型的输入端，同时搅拌器系统模型的输出端连接到NNPredictiveController模块的PlantOutput端，参考信号连接到NNPredictiveController模块的Reference端。22双击NNPredctiveController模块，将会产生一个神经网络预测控制器参数设置窗口（NeuralNetworkPredctiveControl），如图3-16所示。这个窗口用于设计模型预测控制器。图3-16神经网络模型预测控制器参数设置窗口23在这个窗口中，有多项参数可以调整，用于改变预测控制算法中的有关参数。将鼠标移到相应的位置，就会出现对这一参数的说明。243)．系统辨识在神经网络预测控制器的窗口中单击[PlantIdentification]按钮，将产生一个模型辨识参数设置窗口（PlantIdentification），用于设置系统辨识的参数，如图3-17所示。图3-17模型辨识参数设置窗口254)．系统仿真在Simulink模型窗口图3-15中，首先选择【Simulation】菜单中的【parameter】命令设置相应的仿真参数，然后从【Simulation】菜单中单击【Start】命令开始仿真。仿真的过程需要一端时间。当仿真结束时，将会显示出系统的输出和参考信号。如图3-21。图3-21输出和参考信号265）．数据保存在图3-17中，利用[ImportData]和[ExportData]命令，可以将设计好的网络和训练数据保存到工作空间中或是保存到磁盘文件中。神经网络预测控制是使用神经网络系统模型来预测系统未来的行为。优化算法用于确定控制输入，这个控制输入优化了系统在一个有限时间段里的性能。系统训练仅仅需要对于静态网络的成批训练算法，当然，训练速度非常快。控制器不要在线的优化算法，这就需要比其他控制器更多的计算。273.2.2反馈线性化控制1.反馈线性化控制理论反馈线性化（NARMA-L2）的中心思想是通过去掉非线性，将一个非线性系统变换成线性系统。281)．辨识NARMA－L2模型与模型预测控制一样，反馈线性化控制的第一步就是辨识被控制的系统。通过训练一个神经网络来表示系统的前向动态机制，在第一步中首先选择一个模型结构以供使用。一个用来代表一般的离散非线性系统的标准模型是：非线性自回归移动平均模型（NARMA），用下式来表示：式中，u(k)表示系统的输入，y(k)表示系统的输出。在辨识阶段，训练神经网络使其近似等于非线性函数N。)]1(,),1(),(),1(,),1(),([)(nkukukunkykykyNdky29如果希望系统输出跟踪一些参考曲线y(k+d)=yr(k+d)，下一步就是建立一个有如下形式的非线性控制器：使用该类控制器的问题是,如果想训练一个神经网络用来产生函数G（最小化均方差），必须使用动态反馈，且该过程相当慢。由Narendra和Mukhopadhyay提出的一个解决办法是,使用近似模型来代表系统。)]1(,),1(),(),1(,),1(),([)(nkukudkynkykykyGkur30在这里使用的控制器模型是基于NARMA-L2近似模型该模型是并联形式，控制器输入u(k)没有包含在非线性系统里。这种形式的优点是,能解决控制器输入使系统输出踉踪参考曲线y(k+d)=yr(k+d)。最终的控制器形式如下：)()]1(,),1(),1(,),1(),([)]1(,),1(),1(,),1(),([)(ˆkunkukunkykykygnkukunkykykyfdky