欢迎光临钟爱文库,如需获取更多资料请使用搜索功能。
钟爱文库
当前位置:首页 » 工程科技 » 信息与通信 » 正文

基于神经网络模型的自适应控制系统设计及仿真

第一章 前言1.1 课题的意义:本毕业设计旨在学习并比较各种自适应控制算法,掌握 matlab 语言,利用 simulink 对自适应控制系统模型进行仿真分析。

自适应控制是人们要求越来越高的控制性能和针对被控系统的高度复杂化, 高度 不确定性的情况下产生的,是人工智能渗入到应用科技领域的必然结果。

并在常规控 制理论的基础上得到进一步的发展和提高。

进入 21 世纪以来,智能控制技术和远程 监测技术继续飞速发展,逐渐被应用到电力、交通和物流等领域。

从卫星智能控制, 到智能家居机器人; 从公共场所的无线报警系统, 到家用煤气、 自来水等数据的采集。

可以说,智能控制技术和远程监测技术己经渗透到了人们日常生活之中,节约了大量 的人力和物力,给人们的日常生活带来了极大的便利。

目前,自适应控制的研究以认 知科学、心理学、社会学、系统学、语言学和哲学为基础,有效的把数字技术、远程 通信、计算机网络、数据库、计算机图形学、语音与听觉、机器人学、过程控制等技 术有机的结合,提供了解决复杂问题的有效手段。

自适应控制是在人们在追求高控制性能、 高度复杂化和高度不确定性的被控系统 情况下产生的,是人工智能渗入到应用科技领域的必然结果,并在常规控制理论的基 础上得到进一步的发展和提高。

主要研究对象从单输入、单输出的常系数线性系统, 发展为多输入、多输出的复杂控制系统。

自适应控制理论的产生为解决复杂系统控制 问题开辟了新的途径,成为当下控制领域的研究和发展热点。

1.2 国内外研究概况及发展趋势:1943 年,心理学家 W·Mcculloch 和数理逻辑学家 W·Pitts 在分析、总结神经 元基本特性的基础上首先提出神经元的数学模型。

此模型沿用至今,并且直接影响着 这一领域研究的进展。

因而, 他们两人可称为人工神经网络研究的先驱。

1945 年冯· 诺 依曼领导的设计小组试制成功存储程序式电子计算机,标志着电子计算机时代的开 始。

1948 年,他在研究工作中比较了人脑结构与存储程序式计算机的根本区别,提 出了以简单神经元构成的再生自动机网络结构。

但是,由于指令存储式计算机技术的 发展非常迅速,迫使他放弃了神经网络研究的新途径,继续投身于指令存储式计算机 技术的研究,并在此领域作出了巨大贡献。

虽然,冯·诺依曼的名字是与普通计算机1

基于神经网络模型的自适应控制系统设计及仿真

联系在一起的,但他也是人工神经网络研究的先驱之一。

50 年代末,F·Rosenblatt 设计制作了“感知机” ,它是一种多层的神经网络。

这 项工作首次把人工神经网络的研究从理论探讨付诸工程实践。

当时,世界上许多实验 室仿效制作感知机,分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问 题的研究。

然而,这次人工神经网络的研究高潮未能持续很久,许多人陆续放弃了这 方面的研究工作,这是因为当时数字计算机的发展处于全盛时期,许多人误以为数字 计算机可以解决人工智能、模式识别、专家系统等方面的一切问题,使感知机的工作 得不到重视;其次,当时的电子技术工艺水平比较落后,主要的元件是电子管或晶体 管,利用它们制作的神经网络体积庞大,价格昂贵,要制作在规模上与真实的神经网 络相似是完全不可能的;另外,在 1968 年一本名为《感知机》的著作中指出线性感 知机功能是有限的,它不能解决如异感这样的基本问题,而且多层网络还不能找到有 效的计算方法,这些论点促使大批研究人员对于人工神经网络的前景失去信心。

60 年代末期,人工神经网络的研究进入了低潮。

另外,在 60 年代初期,Widrow 提出了自适应线性元件网络,这是一种连续取值 的线性加权求和阈值网络。

后来,在此基础上发展了非线性多层自适应网络。

当时, 这些工作虽未标出神经网络的名称,而实际上就是一种人工神经网络模型。

随着人们 对感知机兴趣的衰退,神经网络的研究沉寂了相当长的时间。

80 年代初期,模拟与 数字混合的超大规模集成电路制作技术提高到新的水平,完全付诸实用化,此外,数 字计算机的发展在若干应用领域遇到困难。

这一背景预示,向人工神经网络寻求出路 的时机已经成熟。

美国的物理学家 Hopfield 于 1982 年和 1984 年在美国科学院院刊上 发表了两篇关于人工神经网络研究的论文,引起了巨大的反响。

人们重新认识到神经 网络的威力以及付诸应用的现实性。

随即,一大批学者和研究人员围绕着 Hopfield 提出的方法展开了进一步的工作, 形成了 80 年代中期以来人工神经网络的研究热潮。

1985 年,Ackley,Hinton,and Sejnowski 将模拟退火算法应用到神经网络训练 中, 提出了 Boltzmann 机, 该算法具有逃离极值的优点, 但是训练时间需要很长。

1986 年,Rumelhart,Hinton,and Williams 提出了多层前馈神经网络的学习算法,即 BP 算法。

它从证明的角度推导算法的正确性,是学习算法有理论依据。

从学习算法角度 上看,是一个很大的进步。

1988 年,Broomhead and Lowe 第一次提出了径向基网络: RBF 网络。

2

基于神经网络模型的自适应控制系统设计及仿真

1.3 设计要求1、 设计要求 1) 首先完成简单控制系统模块的仿真分析; 2) 提出自适应控制系统设计的方法; 3) 建立基于神经网络的自适应控制系统的仿真模型; 4) 利用 simulink 对基于神经网络的自适应控制系统模型进行仿真; 5) 从仿真结果分析基于神经网络模型的自适应控制算法的性能。

2、 原始资料 1) MATLAB 语言; 2) 控制系统设计的基础理论; 3) Simulink 中控制系统模块的应用; 4) 翻译相关课题英文资料。

3

基于神经网络模型的自适应控制系统设计及仿真

第二章 神经网络2.1 神经网络简介人工神经网络(artificial neural network,ANN)是模仿生物神经网络功能的一种 经验模型。

生物神经元受到传入的刺激,其反应又从输出端传到相联的其它神经元, 输入和输出之间的变换关系一般是非线性的。

神经网络是由若干简单(通常是自适应 的)元件及其层次组织,以大规模并行连接方式构造而成的网络,按照生物神经网络 类似的方式处理输入的信息。

模仿生物神经网络而建立的人工神经网络,对输入信号 有功能强大的反应和处理能力[9]。

神经网络是由大量的处理单元(神经元)互相连接而成的网络。

为了模拟大脑的 基本特性,在神经科学研究的基础上,提出了神经网络的模型。

但是,实际上神经网 络并没有完全反映大脑的功能, 只是对生物神经网络进行了某种抽象、 简化和模拟[8]。

神经网络的信息处理通过神经元的互相作用来实现, 知识与信息的存储表现为网络元 件互相分布式的物理联系。

神经网络的学习和识别取决于各种神经元连接权系数的动 态演化过程。

若干神经元连接成网络,其中的一个神经元可以接受多个输入信号,按照一定的 规则转换为输出信号。

由于神经网络中神经元间复杂的连接关系和各神经元传递信号 的非线性方式,输入和输出信号间可以构建出各种各样的关系,因此可以用来作为黑 箱模型,表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确 定性的或模糊性的规律。

因此,人工神经网络作为经验模型的一种,在化工生产、研 究和开发中得到了越来越多的用途。

2.2 神经网络结构与学习规则2.2.1 人工神经元模型 图 3-1 表示出了作为人工神经网络(artificial neural network,以下简称 NN)的 基本单元的神经元模型,它有三个基本要素:4

基于神经网络模型的自适应控制系统设计及仿真

图 3-1 人工神经网络模型(i)一组连接(对应于生物神经元的突触) ,连接强度由各连接上的权值表示, 权值为正表示激活,为负表示抑制。

(ii)一个求和单元,用于求取各输入信号的加权和(线性组合) 。

(iii)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定 范围内(一般限制在 (0,1) 或 (1,1) 之间) 。

此外还有一个阈值 k (或偏置 bk   k ) 。

以上作用可分别以数学式表达出来:uk   wkj x j , vk  uk   k , yk   (vk )式中 x1 , x2 ,, x p 为输入信号, wk1 , wk 2 ,, wkp 为神经元 k 之权值, uk 为线性组合 结果, k 为阈值,  () 为激活函数, y k 为神经元 k 的输出。

若把输入的维数增加一维,则可把阈值 k 包括进去。

例如j 1pvk   wkj x j , yk   (uk )此处增加了一个新的连接,其输入为 x0  1(或  1 ) ,权值为 wk 0   k (或 bk ) , 如图 3-2 所示。

j 0p图 3-2 复杂人工神经网络模型5

基于神经网络模型的自适应控制系统设计及仿真

激活函数  () 可以有以下几种: (i)阈值函数 (v )  1, v  0 0, v  0即阶梯函数。

这时相应的输出 yk 为1, vk  0 yk   0, vk  0其中 vk   wkj x j   k ,常称此种神经元为 M  P 模型。

(ii)分段线性函数j 1 pv 1 1,  1  (v )   (1  v ),  1  v  1 2 v  1  0,它类似于一个放大系数为 1 的非线性放大器, 当工作于线性区时它是一个线性组 合器,放大系数趋于无穷大时变成一个阈值单元。

(iii)sigmoid 函数 最常用的函数形式为 (v ) 1 1 e x p  ( v)参数   0 可控制其斜率。

另一种常用的是双曲正切函数 (v )  t a nh  v 21 e x p ( v) 1 e x p ( v)这类函数具有平滑和渐近性,并保持单调性。

Matlab 中的激活(传递)函数如下表所示:表 2-1 传递函数函数名 purelin hardlim hardlims satlin功 能 线性传递函数 硬限幅传递函数 对称硬限幅传递函数 饱和线性传递函数6

基于神经网络模型的自适应控制系统设计及仿真