神经网络自适应控制Word文档格式.docx
《神经网络自适应控制Word文档格式.docx》由会员分享，可在线阅读，更多相关《神经网络自适应控制Word文档格式.docx（6页珍藏版）》请在冰豆网上搜索。
二、间接自适应系统分析与建模
2.1系统的分析
系统过程动态方程：
y（k+1）=-0.8y（k）/（1+y2（k））+u（k）,参考系统模型由三阶差分方程描述：
ym（k+1）=0.8ym（k）+1.2ym（k-1）+0.2ym（k-2）+r（k）
式中，r（k）是一个有界的参考输入。
如果输出误差ec（k）定义为ec（k）=y（k）-ym（k）,则控制的目的就是确定一个有界的控制输入u（k）,当k趋于正无穷时，ec（k）=0.那么在k阶段，u（k）可以从y（k）和它的过去值中计算得到：
u（k）=0.8y（k）/（1+y2（k））+0.8y（k）+1.2y（k-1）+0.2y（k-2）+r（k）
（1）
于是所造成的误差方程为：
ec（k+1）=0.8ec（k）+1.2ec（k-1）+0.2ec（k-2）
（2）因为参考模型是渐进稳定的，所以对任意的初始条件，它服从当k趋于无穷，ec（k）=0。
在任何时刻k，用神经元网络N2计算过程的输入控制，即
u（k）=-N[y（k）]+0.8y（k）+1.2y（k-1）+0.2y（k-2）+r（k） （3）
由此产生非线性差分方程：
y（k+1）=-0.8y（k）/（1+y2（k））+N[y（k）]+0.8y（k）+1.2y（k-1）+0.2y（k-2）+r（k） （4）
故设计的要点是设计一个神经网络来逼近0.8y（k）/（1+y2（k））。
2.2系统的建模设计过程
第一步，用BP神经网络逼近，神经网络的结构包含三层：
输入层、隐含层和输出层。
BP网络的训练过程如下：
正向传播是输入信号从输入层经隐层传向输出层，若输出层得到了期望的输出，则学习算法结束；
否则，转至反向传
播。
第二步，输入测试样本，对神经网络的逼近程度进行测试，将测试后的期
望输出与实际输出的曲线画出。
第三步，控制器设计。
将控制器设计为
u（k）=-N[y（k）]+0.8y（k）+1.2y（k-1）+0.2y（k-2）+r（k）。
系统的原理框图如下图所示。
参考模
型
e
神
经
r
控制器
过程
y
系统的原理框图若将控制器设计成u（k），则可得到相应曲线。
三、系统的MATLAB编程
clearall;
closeall;
x=[-10:
1:
10];
%训练样本输入fori=1:
21
d（i）=0.8*x（i）/（1+x（i）^2）;
%目标函数，期望输出end
nx1=length（x）;
%样本的大小y=zeros（1,nx1）;
%输出初始化nx2=8;
%隐含层的神经元个数times=20000;
%学习次数
w1=0.05*rand（nx2,1）;
%第一层的连接权值theta1=0.05*rand（nx2,1）;
%第一层的阈值w2=0.05*rand（1,nx2）;
%第二层的连接权值theta2=0.05*rand
（1）;
%第二层的阈值ux=0.2;
%学习率
forn=1:
times
Epx=0;
%误差初始化fori=1:
nx1
s1=w1*x（i）-theta1;
%隐含层输入x1=1./（1+exp（-s1））;
%隐含层输出s2=w2*x1-theta2;
%输出层输入y（i）=s2;
%输出层输出error=d（i）-y（i）;
delta1=（error*（w2）'
）.*x1.*（1-x1）;
delta2=error;
w1=w1+ux*delta1*x（i）;
%第一层权值修正w2=w2+ux*delta2*（x1）'
;
%第二层权值修正theta1=theta1-ux*delta1;
%第一层阈值修正theta2=theta2-ux*delta2;
%第二层阈值修正Epx=Epx+0.5*error^2;
%误差输出
endError（n）=Epx;
epoch（n）=n;
ifEpx<
=0.01
break;
endend
n,figure
（1）;
subplot（221）;
plot（x,d,'
b-'
x,y,'
r--'
）;
title（'
训练完后的期望输出与实际输出'
gridon;
subplot（222）;
plot（epoch,Error）;
训练误差输出'
xlabel（'
epoch'
ylabel（'
误差E'
gridon;
xt=[0:
20];
n3=length（xt）;
%dt=sin（xt）;
fori=1:
dt（i）=0.8*xt（i）/（1+xt（i）^2）;
%目标函数，期望输出
end
fork=1:
n3
s1=w1*xt（k）-theta1;
x1=1./（1+exp（-s1））;
s2=w2*x1-theta2;
yt（k）=s2;
Et（k）=dt（k）-yt（k）;
endsubplot（223）;
plot（xt,dt,'
xt,yt,'
r:
'
legend（'
期望输出'
'
实际输出'
测试时的实际输出与期望输出'
subplot（224）;
plot（xt,Et）;
测试误差输出'
测试样本'
）,ylabel（'
误差
E'
%control
%u（k）=0.8*yf（k）+1.2*yf（k-1）+0.2*yf（k-2）+r（k）;
%final_y（k+1）=-0.8*final_y（k）/（1+final_y（k）^2）+u（k）;
xf=[0:
n=length（xf）;
fori=1:
d（i）=0.8*xf（i）/（1+xf（i）^2）;
%目标函数，期望输出fc（i）=0.8*xf（i）/（1+xf（i）^2）;
yf（k）=s2;
end
u
（1）=0.8*yf
（1）+sin（2*pi/25）;
u
（2）=0.8*yf
（2）+1.2*yf
（1）+sin（4*pi/25）;
fork=3:
u（k）=0.8*yf（k）+1.2*yf（k-1）+0.2*yf（k-2）+sin（2*pi*k/25）;
yt（k）=-fc（k）+u（k）;
final_y（k）=yt（k）;
if（k<
21）
fc（k+1）=0.8*yt（k）/（1+yt（k）^2）;
figure
（2）;
plot（xf,fc,'
--'
xf,d,'
%n1=length（fc）
%n2=length（d）figure（3）;
plot（xf,u,'
xf,final_y,'
xf,fc,'
xf,（u-final_y）,'
:
四、matlab仿真结果如下：
训练完后的期望输出与实际输出
训练误差输出
0.4
0.2
0.3
0 E
误
-0.2
0.1
下图所示的是利用神经网络训练后得到的仿真图：
差
-0.4
-10 -5 0 5 10
测试时的实际输出与期望输出
期望输出实际输出
0.2 E
0
0.05
0 100 200 300
epoch
测试误差输出
0 5 10 15 20
-0.05
测试样本
训练后的结果图
测试时和训练时的目标函数期望输出：
-0.1
-0.3
0 2 4 6 8 10 12 14 16 18 20
当
时得到的最后控制响应曲线为：
1.5
1
0.5
-0.5
-1
五、结论
由上述仿真结果可以看出，间接自适应控制的神经网络，可以对复杂的非线性和不确定系统进行智能控制，神经网络的逼近能力起了重要的作用。
神经网络对未知的过程进行离线辨识，再根据辨识结果以及参考模型进行控制器的设计，达到预期的效果。
升级会员 