1、神经网络自适应控制的原理自适应控制是一种特殊的反馈控制，它不是一般的系统状态反馈或输出反馈，即使对于现行定常的控制对象，自适应控制亦是非线性时变反馈控制系统。这种系统中的过程状态可划分为两种类型，一类状态变化速度快，另一类状态变化速度慢。慢变化状态可视为参数，这里包含了两个时间尺度概念：适用于常规反馈控制的快时间尺度以及适用于更新调节参数的慢时间尺度，这意味着自适应控制系统存在某种类型的闭环系统性能反馈。原理图如下：图 2-7 自适应控制机构框图人工神经网络(简称 ANN)是也简称为神经网络（NNS）或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络以对大脑的生理研究
2、成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。人工神经网络下的定义就是：“人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态相应而进行信息处理。 ”这一定义是恰当的。人工神经网络的研究，可以追溯到 1957 年 Rosenblatt 提出的感知器模型。目前在神经网络研究方法上已形流派，最富有成果的研究工作包括：多层网络BP 算法， Hopfield 网络模型，自适应共振理论，自组织特征映射理论等。它虽然反映了人脑功能的基本特征，但远不是自然神经网络的逼真描写，而只是它的某种简化抽象和模拟。神经网络的研究可以分为理论研究和应用研究两大方
3、面。理论研究可分为以下两类：NZ-1倒倒倒倒倒倒 DNN倒倒倒倒倒倒u(t) y(t)Un(t)倒倒倒倒+ -（1）利用神经生理与认知科学研究人类思维以及智能机理。（2）利用神经基础理论的研究成果，用数理方法探索功能更加完善、性能更加优越的神经网络模型，深入研究网络算法和性能，如：稳定性、收敛性、容错性、鲁棒性等；开发新的网络数理理论。应用研究可分为以下两类：（1）神经网络的软件模拟和硬件实现的研究。（2）神经网络在各个领域中应用的研究。神经网络具有以下.特点：（1）能够充分逼近任何复杂的非线性关系；（2）全部定性或定量的信息都均匀分布存在于网络内的各神经元，因此有很强的容错性和鲁棒性；（3）
4、使用并行分布处理的方式，让大量运算成可以快速完成； 神经网络自适应的一般结构神经网络自适应控制有两种基本结构形式，一种是神网络模型参考自适应控制( NNMRAC)，一种是神经网络自校正控制(NNSTC)。神经网络模型参考自适应控制又分为直接型与间接型。结构如图（2 -8）所示。构造一个参考模型使其输出为期望输出，控制的目的是使y跟踪。(a) 直接型NNC 倒 倒倒 倒 倒 倒NNIr y+-Ym+-+-NNC 倒 倒倒 倒 倒 倒r u y+-Ym+-(b) 间接型图2-8 神经网络模型参考自适应控制结构由于被控对象特性未知，因此图 2-8（b）结构较好，神经网络 NNI 和NNC 分别表示在
5、线辨识器和控制器。NNC 的作用是通过在线训练使受控对象输出与参考模型的输出之差最小。由于对象特性未知，给 NNC 训练造成困难。目前的做法是增加神经网络辨识器 NNI，使得在线获得对象动态特性。自校正控制是一种用辨识器将对象参数进行在线估计，用调节器实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数慢时变的随机系统。但传统的自校正控制，是将被控对象用于线性或线性化模型进行辨识，对于复杂的非线性系统的自校正控制，则难以实现。神经网络自校正控制结构如图(2-9)所示图2-9 神经网络自校正结构它由两个回路组成: (1)自正控制器与被控对象构
6、成的反馈回路。(2)NNI与控制器设计，以得到控制器参数。可见辨识器与自校正控制器的在线设计，是自校正控制实现的关键。2.3.2 神经网络模型及算法人工神经网络是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。多年来，学者们建立了多种神经网络模型，决定其整体性的三大要素是:( 1) 神经元的特性 ;( 2) 神经元之间相互连接的形式是拓扑结构;( 3) 为适应环境而改善性能的学习规则。倒 倒 倒 倒 倒 倒 倒 倒 倒 倒倒 倒 倒NNIr u y神经网络是人脑的某种抽象简化和模拟，是具有高度非线性的系统。其物理模型虽有多种。但基本运算可归结为四种:
7、积与权值学习、阈值处理和非线性函数处理。从宏观上，一般将神经网络分为四种类型:前馈、反馈、自组织与随机型。神经网络的发展史，概括起来可以说经历了三个阶段:40 60 年代的,发展初期; 70年代的研究低潮;80年代至今，神经网络的理论研究取得突破性进展。多年来神经网络的研究虽已取得了很多成果，但至今尚未建立起一套完整的理论体系。2.4 多层前馈网络及 BP 算法基于误差反向传播( Error Back Propagation)算法的多层前馈网络(Multiple Layer Feed forward Network)(简称BP网络)，可以任意精度逼近任意的连续函数，所以广泛应用于非线性建模、函
8、数逼近、模式分类等方面。虽然BP神经网络是目前应用最广泛、研究较多的一种网络。但是关于它的开发设计目前为止还没有一套完整的理论。拓扑结构的单隐层前馈网络，一般称为三层前馈网或三层感知器，即：输入层.、中间层（也称隐层）和输出层。它的特点是：各层神经元仅与相邻层神经元之间相互全连接，同层内神经元之间无连接，各层神经元之间无反馈连接，构成具有层次结构的前馈型神经网络系统。单计算层前馈神经网络只能求解线性可分问题，能够求解非线性问题的网络必须是具有隐层的多层神经网络。BP神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入
9、信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。BP网络是有导师的学习，是应用最广泛的一种网络。网络结构如图（2-10）所示。图2-10 BP网络结构图中： 表示输入层第
10、 个节点的输入， =1,M；jXjj表示隐含层第 i 个节点到输入层第 个节点之间的权值；jWi表示隐含层第 i 个节点的阈值；i表示隐含层的激励函数；)(x表示输出层第 k 个节点到隐含层第 i 个节点之间的权值， i =1,q；ki表示输出层第 k 个节点的阈值, k=1,L ；表示输出层的激励函数；）（ x表示输出层第 k 个节点的输出。kO（1）信号的前向传播过程隐含层第 i 个节点的输入 neti：（3-1）隐含层第 i 个节点的输出 yi：（3-2）输出层第 k 个节点的输入 netk：（3-3）输出层第 k 个节点的输出 :kO1Miijijnetwx1()()iiijijt11
11、1()qqMkki kiijiki ijnetwyawxa1a1kiwij Lakqi 1xjMx 1oko输出变量输入变量输入层 隐含层 输出层（3-4）BP网络模型处理信息的基本原理是：输入信号X i通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Y k，网络训练的每个样本包括输入向量X和期望输出量T，网络输出值Y与期望输出值T 之间的偏差，通过调整输入节点与隐层节点的联接强度取值W ij和隐层节点与输出节点之间的联接强度T jk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。111()()()qqMkkki kiijiki ijonetwyawxa
