基于RBF神经网络的模型参考自适应

仿真技术及Matlab应用

题目：基于RBF神经网络的模型参考自适应

学院：

班级：

学号：

姓名：

2015年1月5日

目录

前言 (1)

1. 邻聚类算法的RBF神经网络 (2)

2. RBF神经网络的函数逼近理论 (3)

3. RBF神经网络的控制系统设计 (5)

4. 仿真结果 (6)

5. 结语 (7)

6. 附录 (8)

前言

目前,在控制领域内,神经网络正稳步地发展,尤其是多层前馈神经网络。在神经网络MRAC (ModelReferenceAdaptive Controller)中,多层前馈神经网络一般用于对受控对象进行系统辨识,神经网络所选用算法进行系统辨识要快速、准确,以利于实时、精确控制。已经证明了只要神经元的数目足够大,则径向基网络能够在一个有限维赋范向量空间的紧集上以任意的精度逼近一个非线性函数(只要该非线性函数的性能足够好)。神经网络既可用于对动态系统的辨识也可用于对动态系统的控制。本研究给出了基于MRAC(模型参考自适应控制)的神经网络控制器,该控制器通过使用实际系统与参考模型系统之间的广义误差来调整其参数,控制器中的非线性部分通过RBF网络来实现,用于补偿系统的非线性部分。尽管神经网络能够以任意精度逼近一个非线性函数,但总是存在一定的逼近误差,而对于逼近误差对控制系统所产生的影响,却很少有人讨论,本研究基于Lyapunov稳定性分析,给出了神经网络的参数修正律,并根据神经网络的逼近误差给出了控制误差的估计;用于在线训练RBF神经网络所采用学习规则是R型(R-modi-fication-type)修正律,控制误差渐近收敛于0附近的一个紧集。

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。仿真实例说明了所给出的算法切实可行。

1. 邻聚类算法的RBF 神经网络

设有N 对输入-输出数据对()

,,k k y x k=1,2,,,N, 可以构造一个RBF 神经网络,它能将这N 对数据拟合到任意给定的精度。RBF 网络隐单元输出为:

()()??

?

???-=2

212exp R c x x R i (1) 式中,x 是输入矢量;()x R i 是第i 个隐单元的输出;i c 是第i 个隐单元高斯函数的中心;R 是高斯函数的半径。在线学习RBF 神经网络的学习过程如下:(1)选择一个适当的半径R,其大小决定了网络的复杂程度,R 是一个一维参数,可通过实验和误差信息找到一个适当的值。定义一个矢量S(l)用于存放属于各类的输出矢量之和,定义一个计数器CT(l)用于统计属于各类的样本个数,其中l 为类别数。

在线学习RBF 神经网络的学习过程如下:

(1)选择一个适当的半径R,其大小决定了网络的复杂程度,R 是一个一维参数,可通过实验和误差信息找到一个适当的值。定义一个矢量S(l)用于存放属于各类的输出矢量之和,定义一个计数器CT(l)用于统计属于各类的样本个数,其中l 为类别数

(2)从第一个数据对(),1,1y x 开始,在1x 上建立一个聚类中心,令1c =1x , S(1)=

1y ，

CT(1)=1。这样建立的RBF 网络只有一个隐单元,该隐单元的中心为1c ,该隐单元到输出层的权矢量为())1(/11CT S w =。

(3)考虑第2个样本数据对()

22,y x ,求出2x 到1c 这个聚类中心的距离

12c x -。如果12c x -R ∈，则1c 为2x 的最近邻聚类,且令S(1) = 1y +2y ,CT(1)

=2,1w = S(1) /CT(1);如果12c x -

2x ,S(2)= 2y ,CT(2)=1。在上述建立的RBF 网络中再添加一个隐单元,该隐单元

到输出层的权矢量为2w = S(2) /CT(2)。

(4)假设考虑第k 个样本数据对()

k k y x ,时,N, k =3,4,,,N,存在h n 个聚类中

心,其中心点分别为1c ,2c ,,,h c ,在上述建立的RBF 网络中已有h n 隐单元。再分 别求出到这h n 个聚类中心的距离| k x -i c |,i =1,2,,, h n ,设| k x -j c |为这些距离中的最小距离,即i c 为k x 的最近邻聚类,则:

如果| k x -j c |>R,则将k x 作为一个新聚类中心,并令1+h n c =k x ,h n =

1+h n ,S(h n ) = k y ,CT(h n ) =1。且保持S(i),CT(i)的值不变,i =1,2,,, h n -1。在上述建立的RBF 网络中再添加第h n 个隐单元,该隐单元到输出层的权矢量为

h n w = S(h n ) /CT(h n )。

如果12c x -j 时, i=1,2,,, h n ,且保持S (i)、CT (i)的值不变。隐单元到输出层的权矢量为i w =S (i) /CT (i), i=1,,, h n 。

(5)根据上述规则建立的在线学习RBF 神经网络如图1所示,网络输出为

()

∑∑==???

?

? ??--???

??

??--=h

i i k h

i i k k

n n

R c x R c x w x f 1

221

221exp exp (2)

2. RBF 神经网络的函数逼近理论

设有N 对输入-输出数据对(k x ,k y ),k=1,2,,,N,我们可以构造一个在线学习RBF 神经网络,它能将这N 对数据拟合到任意给定的精度,有如下定理可以证明这一结论。定理 对任意给定的E>0,存在一个R*使得在线学习RBF 神经网络在R=*R 时有:

()

E y x f k k <- (3)

对所有l =1,2,,,N 都成立。

图1 RBF 神经网络示意图

证明 设j c 为k x 的最近邻聚类,在线学习RBF 神经网络输出如式(4)所示。

()

∑∑==???

?

? ??--???

??

??--=h

i i k h

i i k k

n n

R c x R c x w x f 1

221

221exp exp =

()()∑∑==??

?

?

? ??--??

?

??

??--h

i k h

i k n n

R c x i CT R c x i S 12*2112*21exp exp =

()()()()∑∑=>=>????

?

?

?--+?????

?

?--??

?

??

??--+?????

??--h j i k k h j i k k n n R c x i CT R c

x j CT R c x i S R c

x j S 12*2

12

*2

112*212

*2

1exp exp exp exp (4)

式中i=1,2,,, h n ,当i>j 时,必有k x >i c ,对于E>0和任意i,这里的i>j,i =1,2,,,

h n 都能通过适当选择*R 值,使得*R =0

y 时,exp(-

2

*2

R

c x i k

-)=0y 。当i = j 时,能

通过适当选择*R 值,使得当*R =0y ,|k x -i c |=0y ,exp(-

2

*

2

R c x i k -)=0y ,S(j)

/CT(j)=0y 。根据这个结果和式(4)就可以得到如下结论:对所有k=1,2,,,N,一定存在一个*R 值,使得在R=*R 时,满足()E y x f k k <-。

3. RBF 神经网络的控制系统设计

图3.1神经网络的模型参考自适应控制系统框图。

图 3.1 基于RBF 神经网络的模型参考自适应控制系统

取离散被控对象为

()()()()

()()2

111110.0-+-+--=k y k u k y k y

其中，采样周期为ms ts 1=，参考模型为()()()k y k y k y d m m +-=16.0，理想跟踪指令为()()ts k k y d ?= 2sin 5.0。

取RBF 神经网络的输入为()k y d 、()k e 和()k u ，在学习速率为,35.0=η动量因子为05.0=α。

RBF

被控对

象

参考模型

()k y d

+

_

()k u

()k y m

+

-

()k e c

()k y

高斯函数参数初值为

T

c

?

?

?

?

?

?

?

?

?

?

-

-

-

-

-

-

-

-

-

=

3

2

1

1

2

3

3

2

1

1

2

3

3

2

1

1

2

3

,[]2

2

2

2

2

2

=

b，

网络初始权值为9381

.0

0454

.0

0068

.0

0318

.0

0421

.0

0316

.0-

-

-

-

=

w。

4.仿真结果

仿真程序见附录，仿真结果如图 3.2与图3.3所示。

图3.2 正弦跟踪

图3.3 控制输入

5.结语

本研究针对一类非线性动态系统设计了一种基于神经网络的模型参考自适应控制器。神经网络选择在获得系统期望的动态响应和跟踪效果方面起着非常重要的作用,一般要求所选用的神经网络的学习算法具有快速有效的功能,以满足实时控制、适应对象和环境变化的需要。本文提出了一种基于最近邻聚类算法的在线学习RBF神经网络,该算法克服传统前馈神经网络学习算法的缺点,计算量小、跟踪时间短,能在线学习且网络收敛精度高。仿真结果说明本文方法的有效性。与其他传统的设计方法相比,本研究在设计过程中考虑了神经网络的学习误差,设计更为合理,仿真实例说明了算法的实际可行性。本研究所给出的证明方法同样可用于讨论其它的神经网络控制问题,但关于该神经网络自适应控制的鲁棒性还有待进一步研究。

6.附录

%Model Reference Aapative RBF Control

clear all;

close all;

u_1=0;

y_1=0;

ym_1=0;

x=[0,0,0]';

c=[-3 -2 -1 0 1 2 3;

-3 -2 -1 0 1 2 3;

-3 -2 -1 0 1 2 3];

b=2;

w=rands(1,7);

xite=0.35;

alfa=0.05;

h=[0,0,0,0,0,0,0]';

c_1=c;c_2=c;

b_1=b;b_2=b;

w_1=w;w_2=w;

ts=0.001;

for k=1:1:3000

time(k)=k*ts;

yd(k)=0.50*sin(2*pi*k*ts);

ym(k)=0.6*ym_1+yd(k);

y(k)=(-0.1*y_1+u_1)/(1+y_1^2); %Nonlinear plant for j=1:1:7

h(j)=exp(-norm(x-c(:,j))^2/(2*b^2));

end

u(k)=w*h;

ec(k)=ym(k)-y(k);

dyu(k)=sign((y(k)-y_1)/(u(k)-u_1));

d_w=0*w;

for j=1:1:7

d_w(j)=xite*ec(k)*h(j)*dyu(k);

end

w=w_1+d_w+alfa*(w_1-w_2);

%Return of parameters

u_1=u(k);

y_1=y(k);

ym_1=ym(k);

x(1)=yd(k);

x(2)=ec(k);

x(3)=y(k);

w_2=w_1;w_1=w;

end

figure(1);

plot(time,ym,'r',time,y,'k:','linewidth',2);

xlabel('time(s)');ylabel('ym,y');

legend('Ideal position signal','Tracking position signal'); figure(2);

plot(time,u,'r','linewidth',2);

xlabel('time(s)');ylabel('Contr

基于S函数的RBF神经网络PID控制器

基于径向基函数的神经网络的PID控制器 摘要 RBF神经网络在分类问题中得到了广泛的应用，尤其是模式识别的问题。许多模式识别实验证明，RBF具有更有效的非线性逼近能力，并且RBF神经网络的学习速度较其他网络快。本文在具有复杂控制规律的S函数构造方法的基础上，给出了基于MATLAB语言的RBF神经网络PID控制器，及该模型的一非线性对象的仿真结果。 关键词：S函数；RBF神经网络PID控制器；Simulink仿真模型径向基函数（RBF-Radial Basis Function）神经网络是由J.Moody和C.Darken 在20世纪80年代末提出的一种神经网络，它具有单隐层的三层前馈网络。由于它模拟了人脑中局部调整、相互覆盖接受域（或称野-Receptive Field）的神经网络结构，因此，RBF神经网络是一种局部逼近网络，已证明它能以任意精度逼近任意连续函数。 1.S函数的编写方法 S函数是Simulink中的高级功能模块，Simulink是运行在MATLAB环境下用于建模、仿真和分析动态系统的软件包。只要所研究的系统模型能够由MATLAB语言加以描述，就可构造出相应的S函数，从而借助Simulink中的S 函数功能模块实现MATLAB与Simulink之间的沟通与联系，这样处理可以充分发挥MATLAB编程灵活与Simulink简单直观的各自优势。当系统采用较复杂的控制规律时，Simulink中没有现成功能模块可用，通常都要采用MATLAB编程语言，编写大量复杂而繁琐的源程序代码进行仿真，一是编程复杂、工作量较大，二来也很不直观。如果能利用Simulink提供的S函数来实现这种控制规律，就可以避免原来直接采取编程的方法，不需要编写大量复杂而繁琐的源程序，编程快速、简捷，调试方便，则所要完成的系统仿真工作量会大大减少。 RBF神经网络PID控制器的核心部分的S函数为： function [sys,x0,str,ts]=nnrbf_pid(t,x,u,flag,T,nn,K_pid,eta_pid,xite,alfa,beta0,w0) switch flag,

模型参考自适应控制

10．自适应控制 严格地说，实际过程中的控制对象自身及能所处的环境都是十分复杂的，其参数会由于种种外部与内部的原因而发生变化。如，化学反应过程中的参数随环境温度和湿度的变化而变化（外部原因），化学反应速度随催化剂活性的衰减而变慢（内部原因），等等。如果实际控制对象客观存在着较强的不确定，那么，前面所述的一些基于确定性模型参数来设计控制系统的方法是不适用的。 所谓自适应控制是对于系统无法预知的变化，能自动地不断使系统保持所希望的状态。因此，一个自适应控制系统，应能在其运行过程中，通过不断地测取系统的输入、状态、输出或性能参数，逐渐地了解和掌握对象，然后根据所获得的过程信息，按一定的设计方法，作出控制决策去修正控制器的结构，参数或控制作用，以便在某种意义下，使控制效果达到最优或近似更优。目前比较成熟的自适应控制可分为两大类：模型参考自适应控制（Model Reference Adaptive Control）和自校正控制（Self-Turning）。 10.1模型参考自适应控制 10.1.1模型参考自适应控制原理 模型参考自适应控制系统的基本结构与图10.1所示： 10.1模型参考自适应控制系统 它由两个环路组成，由控制器和受控对象组成内环，这一部分称之为可调系统，由参考模型和自适应机构组成外环。实际上，该系统是在常规的反馈控制回路上再附加一个参考模型和控制器参数的自动调节回路而形成。

在该系统中，参考模型的输出或状态相当于给定一个动态性能指标，（通常，参考模型是一个响应比较好的模型），目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照一定的规律（自适应律）来修正控制器的参数（参数自适应）或产生一个辅助输入信号（信号综合自适应），从而使受控制对象的输出尽可能地跟随参考模型的输出。 在这个系统，当受控制对象由于外界或自身的原因系统的特性发生变化时，将导致受控对象输出与参考模型输出间误差的增大。于是，系统的自适应机构再次发生作用调整控制器的参数，使得受控对象的输出再一次趋近于参考模型的输出（即与理想的希望输出相一致）。这就是参考模型自适应控制的基本工作原理。 模型参考自适应控制设计的核心问题是怎样决定和综合自适应律，有两类方法，一类为参数最优化方法，即利用优化方法寻找一组控制器的最优参数，使与系统有关的某个评价目标，如：J=? t o e 2(t)dt ，达到最小。另一类方法是基于稳 定性理论的方法，其基本思想是保证控制器参数自适应调节过程是稳定的。如基于Lyapunov 稳定性理论的设计方法和基于Popov 超稳定理论的方法。 系统设计举例 以下通过一个设计举例说明参数最优化设计方法的具体应用。 例10.1设一受控系统的开环传递函数为W a (s)=) 1(+s s k ，其中K 可变，要求 用一参考模型自适应控制使系统得到较好的输出。 解：对于该系统，我们选其控制器为PID 控制器，而PID 控制器的参数由自适应机构来调节，参考模型选性能综合指标良好的一个二阶系统： W m (d)= 1 414.11 2 ++s s 自适应津决定的评价函数取 minJ =?t e 2 (t)dt ，e(t)为参考模型输出与对象输出的误差。 由于评价函数不能写成PID 参数的解析函数形式，因此选用单纯形法做为寻优方法。（参见有关优化设计参考文献）。 在上述分析及考虑下，可将系统表示具体结构表示如下图10.2所示。

神经网络模型预测控制器

神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制

基于神经网络理论的系统安全评价模型

(神经网络,安全评价) 基于神经网络理论的系统安全评价模型 王三明 蒋军成 （南京化工大学，南京，210009） 摘要 本文阐述了人工神经网络基本原理，研究分析了BP神经网络模型的缺陷并提出了优化策略。在此基础上，将神经网络理论应用于系统安全评价之中，提出了基于此理论的系统安全评价模型、实现方法和优点；评价实例证明此方法的可行性。 关键词 神经网络 网络优化 安全评价 　1. 引言 人工神经网络模拟人的大脑活动，具有极强的非线形逼近、大规模并行处理、自训练学习、自组织和容错能力等优点，将神经网络理论应用于系统安全评价之中，能克服传统安全评价方法的一些缺陷，能快速、准确地得到安全评价结果。这将为企业安全生产管理与控制提供快捷和科学的决策信息，从而及时预测、控制事故，减少事故损失。 　 2. 神经网络理论及其典型网络模型 人工神经网络是由大量简单的基本元件-神经元相互联结，模拟人的大脑神经处理信息的方式，进行信息并行处理和非线形转换的复杂网络系统。人工神经网络处理信息是通过信息样本对神经网络的训练，使其具有人的大脑的记忆、辨识能力，完成各种信息处理功能。人工神经网络具有良好的自学习、自适应、联想记忆、并行处理和非线形转换的能力，避免了复杂数学推导，在样本缺损和参数漂移的情况下，仍能保证稳定的输出。人工神经网络这种模拟人脑智力的特性，受到学术界的高度重视和广泛研究，已经成功地应用于众多领域，如模式识别、图象处理、语音识别、智能控制、虚拟现实、优化计算、人工智能等领域。 按照网络的拓扑结构和运行方式，神经网络模型分为前馈多层式网络模型、反馈递归式网络模型、随机型网络模型等。目前在模式识别中应用成熟较多的模型是前馈多层式网络中的BP反向传播模型，其模型结构如图1。 2.1 BP神经网络基本原理 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（权值和

RBF神经网络的优缺点

优点—— RBF神经网络有很强的非线性拟合能力，可映射任意复杂的非线性关系，而且学习规则简单，便于计算机实现。具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此有很大的应用市场。 具有局部逼近的优点 RBF神经网络是一种性能优良的前馈型神经网络，RBF网络可以任意精度逼近任意的非线性函数，且具有全局逼近能力，从根 本上解决了BP网络的局部最优问题，而且拓扑结构紧凑，结构参数可实现分离学习，收敛速度快。RBF网络和模糊逻辑能够实现很 好的互补，提高神经网络的学习泛化能力。 RBF网络的特点 1.前向网络 2.隐单元的激活函数通常为具有局部接受域的函数，即仅当输入落在输入空间中一个很小的指定区域中时，隐单元才作出有意义的非零响应。因此，RBF网络有时也称为局部接受域网络(Localized Receptive Field Network)。 3.RBF网络的局部接受特性使得其决策时隐含了距离的概念，即只有当输入接近RBF网络的接受域时，网络才会对之作出响应。这就避免了BP网络超平面分割所带来的任意划分特性。 在RBF网络中，输入层至输出层之间的所有权重固定为1，隐层RBF 单元的中心及半径通常也预先确定，仅隐层至输出层之间的权重可

调。RBF网络的隐层执行一种固定不变的非线性变换，将输入空间Rn 映射到一个新的隐层空间Rh，输出层在该新的空间中实现线性组合。显然由于输出单元的线性特性，其参数调节极为简单，且不存在局部极小问题。 4.另外，研究还表明，一般RBF网络所利用的非线性激活函数形式对网络性能的影响并非至关重要，关键因素是基函数中心的选取。RBF网络的优点： ①它具有唯一最佳逼近的特性，且无局部极小问题存在。 ②RBF神经网络具有较强的输入和输出映射功能，并且理论证明在前向网络中RBF网络是完成映射功能的最优网络。 ③网络连接权值与输出呈线性关系。 ④分类能力好。 ⑤学习过程收敛速度快。 RBF神经网络除了具有一般神经网络的优点，如多维非线性映射能力，泛化能力，并行信息处理能力等，还具有很强的聚类分析能力，学习算法简单方便等优点； 径向基函数(RBF)神经网络是一种性能良好的前向网络L利用在多维空间中插值的传统技术,可以对几 乎所有的系统进行辩识和建模L它不仅在理论上有着任意逼近性能和最佳逼近性能,而且在应用中具有很多 优势[1]L如和Sigmo id函数作为激活函数的神经网络相比,算法速度大大高于一般的BP算法。

几种神经网络模型及其应用

几种神经网络模型及其应用 摘要：本文介绍了径向基网络，支撑矢量机，小波神经网络，反馈神经网络这几种神经网络结构的基本概念与特点，并对它们在科研方面的具体应用做了一些介绍。 关键词：神经网络径向基网络支撑矢量机小波神经网络反馈神经网络Several neural network models and their application Abstract: This paper introduced the RBF networks, support vector machines, wavelet neural networks, feedback neural networks with their concepts and features, as well as their applications in scientific research field. Key words: neural networks RBF networks support vector machines wavelet neural networks feedback neural networks 2 引言 随着对神经网络理论的不断深入研究，其应用目前已经渗透到各个领域。并在智能控制，模式识别，计算机视觉，自适应滤波和信号处理，非线性优化，语音识别，传感技术与机器人，生物医学工程等方面取得了令人吃惊的成绩。本文介绍几种典型的神经网络，径向基神经网络，支撑矢量机，小波神经网络和反馈神经网络的概念及它们在科研中的一些具体应用。 1. 径向基网络 1.1 径向基网络的概念 径向基的理论最早由Hardy，Harder和Desmarais 等人提出。径向基函数（Radial Basis Function，RBF）神经网络，它的输出与连接权之间呈线性关系，因此可采用保证全局收敛的线性优化算法。径向基神经网络（RBFNN）是 3 层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3 个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度(方差)。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。 其一般结构如下： 如图 1 所示，该网络由三层构成,各层含义如下： 第一层：输入层：输入层神经元只起连接作用。 第二层：隐含层：隐含层神经元的变换函数为高斯核. 第三层：输出层：它对输入模式的作用做出响应. 图 1. 径向基神经网络拓扑结构 其数学模型通常如下： 设网络的输入为x = ( x1 , x2 , ?, xH ) T，输入层神经元至隐含层第j 个神经元的中心矢 为vj = ( v1 j , v2 j , ?, vIj ) T (1 ≤j ≤H)，隐含层第j 个神经元对应输入x的状态为：zj = φ= ‖x - vj ‖= exp Σx1 - vij ) 2 / (2σ2j ) ，其中σ(1≤j ≤H)为隐含层第j个神

BP神经网络模型简介及相关优化案例

华东理工大学 2016-2017学年第2学期 研究生《石油化工单元数学模型》课程论文2017年6月 开课学院：化工学院任课教师：欧阳福生 考生姓名：丁桂宾学号：Y45160205 成绩：

BP 神经网络模型简介及相关优化案例 一、神经网络模型简介 现代神经生理学和神经解剖学的研究结果表明，人脑是极其复杂的，由约1010个神经元交织在一起，构成一个网状结构。它能完成诸如智能、思维、情绪等高级精神活动，被认为是最复杂、最完美、最有效的一种信息处理系统。人工神经网络（Artificial Neural Networks ，以下简写为 NN ）是指模拟人脑神经系统的结构和功能，运用大量的处理部件，通过数学方法，由人工方式构造的网络系统[1] 。 图1表示作为 NN 基本单元的神经元模型，它有三个基本要素[2]： （1） 一组连接权（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，权值为正表示激励，为负表示抑制。 （2） 一个求和单元，用于求取各输入信息的加权和（线性组合）。 （3） 一个非线性激励函数，起非线性映射作用并限制神经元输出幅度在一定的范围内（一般限制在[0,1]或[?1,+1]之间）。 图1 神经元模型 此外还有一个阈值k θ（或偏置 k k b θ-=）。以上作用可以用数学式表达为： ∑= =P j kj k j x w u ；

k k k u θν-=； ) (k k v y ?= 式中 P x x x x ,...,,,321为输入信号， kP k k k w w w w ,...,,,321为神经元k 的权值， k u 为 线性组合结果， k θ为阈值。(.)?为激励函数，k y 为神经元k 的输出。 神经网络理论突破了传统的、串行处理的数字电子计算机的局限，是一个非线性动力学系统，并以分布式存储和并行协同处理为特色，虽然单个神经元的结构和功能极其简单有限，但是大量的神经元构成的网络系统所实现的行为却是极其丰富多彩的。

神经网络模型应用实例

BP 神经网络模型 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld 模型，Feldmann 等的连接型网络模型，Hinton 等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen 的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart 等人提出了误差反向传递学习算法（即BP 算），实现了Minsky 的多层网络设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11 )(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。 社含有n 个节点的任意网络，各节点之特性为Sigmoid 型。为简便起见，指定网络只有一个输出y ,任一节点i 的输出为O i ,并设有N 个样本(x k ,y k )(k =1,2,3,…,N ),对某一输入x k ，网络输出为y k 节点i 的输出为O ik ,节点j 的输入为net jk = ∑i ik ij O W 并将误差函数定义为∑=-=N k k k y y E 12 )(21

RBF神经网络

RBF 神经网络拟合高程异常的探讨 摘要：利用MA TLAB 神经网络工具箱中RBF 神经网络函数来实现GPS 高程转换，结合工程实例详细论述了转换过程中RBF 函数的散布常数（分布密度）Spread 和隐层神经元个数mn 两个关键参数确定的问题，并进行了比较分析，以期RBF 神经网络在实际应用具有借鉴意义。 关键词： GPS 高程 RBF 神经网络 高程异常 1 引言 利用GPS 定位技术可以得到点位在WGS84坐标系下的大地高，而我国野外测量所采用的高程是相对于似大地水准面的正常高。在忽略垂线偏差的情况下，二者有如下关系式[1]： H h ξ=+ (1) 式中H 为大地高，h 为正常高，ξ为高程异常。 近年来已有许多研究者将RBF 神经网络应用于GPS 高程转换[2~7]。本文在前人工作的基础上，尤其继文献[2~3]在详细论述如何运用MA TLAB 神经网络工具箱设计神经网络来实现GPS 高程的转换的基础上，详细探讨如何确定影响RBF 神经网络预测精度的两个关键参数：散布常数Spread 和隐层神经元个数mn ，并结合工程实例进行了比较分析，以期为工程应用提供参考。 2 RBF 神经网络拟合高程异常的原理 RBF 神经网络是由输入层、隐含层和输出层构成的前向型网络，隐含层神经元采用径向基函数作为激励函数，通常采用高斯函数作为径向基函数。 用已知点的(,)i i x y 和高程异常值i ξ，建立神经网络的已知样本集[2]： {}12,, ,n P P P P = （2） 式中(,,)i i i Pi x y ξ=，1,2, i n =。 对样本集P 进行学习，建立映射关系： (,)f x y ξ= （3） 式中,x y 为平面坐标，ξ为高程异常。 RBF 神经网络的样本先进行归一化处理，然后在MATLAB 环境下利用函数newrb 创建 RBF 网络过程中，网络自动增加隐含层的神经元个数，直到均方误差满足要求为止。所以，网络的隐层神经元数不需要预先确定，而且网络的创建过程就是训练过程[2]。 RBF 神经网络设计的关键是散布常数 Spread 的确定。Spread 越大，函数的拟合就越平滑。但过大的Spread 意味着需要非常多的神经元以适应函数的快速变化。如果Spread 设定过小，则需要许多神经元来适应函数的缓慢变化，设计的网络性能就不会很好。因此，在网

基于神经网络的预测控制模型仿真

基于神经网络的预测控制模型仿真 摘要：本文利用一种权值可以在线调整的动态BP神经网络对模型预测误差进行拟合并与预测模型一起构成动态组合预测器，在此基础上形成对模型误差具有动态补偿能力的预测控制算法。该算法显著提高了预测精度，增强了预测控制算法的鲁棒性。 关键词：预测控制神经网络动态矩阵误差补偿 1.引言 动态矩阵控制(DMC)是一种适用于渐近稳定的线性或弱非线性对象的预测控制算法，目前已广泛应用于工业过程控制。它基于对象阶跃响应系数建立预测模型，因此建模简单，同时采用多步滚动优化与反馈校正相结合，能直接处理大时滞对象，并具有良好的跟踪性能和较强的鲁棒性。 但是，DMC算法在实际控制中存在一系列问题，模型失配是其中普遍存在的一个问题，并会不同程度地影响系统性能。DMC在实际控制中产生模型失配的原因主要有2个，一是诸如建模误差、环境干扰等因素，它会在实际控制的全程范围内引起DMC的模型失配；二是实际系统的非线性特性，这一特性使得被控对象的模型发生变化，此时若用一组固定的阶跃响应数据设计控制器进行全程范围的控制，必然会使实际控制在对象的非建模区段内出现模型失配。针对DMC模型失配问题，已有学者进行了大量的研究，并取得了丰富的研究成果，其中有基于DMC控制参数在线辨识的智能控制算法，基于模型在线辨识的自校正控制算法以及用神经元网络进行模型辨识、在辨识的基础上再进行动态矩阵控制等。这些算法尽管进行在线辨识修正对象模型参数，仍对对象降阶建模误差(结构性建模误差)的鲁棒性不好，并对随机噪声干扰较敏感。针对以上问题，出现了基于误差校正的动态矩阵控制算法。这些文献用基于时间序列预测的数学模型误差代替原模型误差，得到对未来误差的预测。有人还将这种误差预测方法引入动态矩阵控制，并应用于实际。这种方法虽然使系统表现出良好的稳定性，但建立精确的误差数学模型还存在一定的困难。 本文利用神经网络通过训练学习能逼近任意连续有界函数的特点，建立了一种采用BP 神经网络进行预测误差补偿的DMC预测控制模型。其中神经网络预测误差描述了在预测模型中未能包含的一切不确定性信息，可以归结为用BP神经网络基于一系列过去的误差信息预测未来的误差，它作为模型预测的重要补充，不仅降低建立数学模型的负担，而且还可以弥补在对象模型中已简化或无法加以考虑的一切其他因素。 本文通过进行仿真，验证了基于神经网络误差补偿的预测控制算法的有效性及优越性，

神经网络典型模型的比较研究

神经网络典型模型的比较研究 杜华英1，赵跃龙2 （中南大学信息科学与工程学院，湖南长沙 410083） 摘要神经网络是近年来发展起来的一门新兴学科，具有较高的研究价值，本文介绍了神经网络的基本概念，针对神经网络在不同的应用领域如何选取问题，对感知器、BP网络、Hopfield网络和ART网络四种神经网络模型在优缺点、有无教师方式、学习规则、正反向传播、应用领域等方面进行了比较研究。可利用其特点有针对性地将神经网络应用于计算机视觉、图像处理、模式识别、信号处理、智能监控、机器人等不同领域。 关键词神经网络；感知器；BP网络；Hopfield网络；ART网络 1 引言 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，其作出的反应又从输出端传到相连的其它神经元，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。 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，因此在运行网络时，可视为一个“黑箱”模型，不必考虑其内部具体情况。人工神经网络模拟人类部分形象思维的能力，是模拟人工智能的一条途径，特别是可以利用人工神经网络解决人工智能研究中所遇到的一些难题。目前，人工神经网络理论的应用已经渗透到多个领域，在计算机视觉、图像处理、模式识别、信号处理、智能监控、机器人等方面取得了可喜的进展。 2 神经网络的典型模型 在人们提出的几十种神经网络模型中，人们用得较多的是感知器、BP网络、Hopfield 网络和ART网络。 2.1 感知器[2] 罗森勃拉特（Rosenblatt）于1957年提出的感知器模型是一组可训练的分类器，为最古老的ANN之一，现已很少使用。然而，它把神经网络的研究从纯理论探讨引向了工程上的实现，在神经网络的发展史上占有重要的地位。尽管它有较大的局限性，甚至连简单的异或(XOR)逻辑运算都不能实现，但它毕竟是最先提出来的网络模型，而且它提出的自组织、自学习思想及收敛算法对后来发展起来的网络模型都产生了重要的影响，甚至可以说，后来发展的网络模型都是对它的改进与推广。 最初的感知器是一个只有单层计算单元的前向神经网络，由线性阈值单元组成，称为单层感知器，后来针对其局限性进行了改进，提出了多层感知器。 1杜华英(1975—)，女，江西樟树人，惠州学院成教处计算机工程师，主研人工智能，中南大学信息科学与工程学院在读工程硕士。 2赵跃龙(1958—)，男，湖南湘潭人，中南大学信息科学与工程学院计算机系教授，主要从事计算机体系结构、磁盘阵列、计算机控制、神经网络应用等方面的研究。

径向基RBF神经网络模型

2.径向基RBF 神经网络预测模型 RBF 网络是一种新颖的有效的前向型神经网络，由于该网络输出层对中间层的线性加权，使得该网络避免了像BP 网络那样繁琐冗长的计算，具有较高的运算速度和外推能力，同时使得网络有较强的非线性映射功能，RBF 网络是通过非线性基函数的线性组合实现从输入空间N R 到输出空间M R 的非线性转换。而本题数据是一类非线性较强的时间序列，对其进行预测，即从前N 个数据中预测将来M 个数据，实质上就是找出从N R 到M R 的非线性映射关系。因此，可以说径向基网络特别适合于非线性时间序列的预测。 2.1 RBF 网络结构及算法 1、网络的神经元结构 2、激活函数采用径向基函数 （1）以输入和权值向量之间的距离作为自变量 RBF 网络的输出是隐单元输出的线性加权和，学习速度加快；径向基神经网络使用径向基函数（一般使用高斯函数）作为激活函数，神经元输入空间区域很小，因此需要更多的径向基神经元 。 自组织选取中心学习方法有： 第一步，自组织学习阶段无导师学习过程，求解隐含层基函数的中 · · · x 1 x m x 2 2 -dist R (dist )=e

心与方差； 第二步，有导师学习阶段求解隐含层到输出层之间的权值。 高斯函数作为径向基函数 网络的输出 设d 是样本的期望输出值，那么基函数的方差可表示为 : 2.求解方差 RBF 神经网络的基函数为高斯函数时，方差可由下式求解： 式中 为中所选取中心之间的最大距离。 3.计算隐含层和输出层之间的权值 隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下： 2 2 1R()=exp(-) 2p i p i c c σ--x x h 2 2 i=11y =exp(-) =1,2,,2j ij p i w c j n σ-∑L x 2 1m j j i j d y c P σ=- ∑1,2,i i h σ= =L max c 2 2max exp( ) 1,2,,;1,2,,p i h w x c p P i h c =-==L L

模型参考自适应控制—MIT法

一 原理及方法 模型参考自适应系统，是用理想模型代表过程期望的动态特征，可使被控系统的特征与理想模型相一致。一般模型参考自适应控制系统的结构如图1所示。 图1 一般的模型参考自适应控制系统 其工作原理为，当外界条件发生变化或出现干扰时，被控对象的特征也会产生相应的变化，通过检测出实际系统与理想模型之间的误差，由自适应机构对可调系统的参数进行调整，补偿外界环境或其他干扰对系统的影响，逐步使性能指标达到最小值。 基于这种结构的模型参考自适应控制有很多种方案，其中由麻省理工学院科研人员首先利用局部参数最优化方法设计出世界上第一个真正意义上的自适应控制律，简称为MIT 自适应控制，其结构如图2所示。 图2 MIT 控制结构图 系统中，理想模型Km 为常数，由期望动态特性所得，被控系统中的增益Kp 在外界环境发生变化或有其他干扰出现时可能会受到影响而产生变化，从而使其动态特征发生偏离。而Kp 的变化是不可测量的，但这种特性的变化会体现在广义误差e 上，为了消除或降低由于Kp 的变化造成的影响，在系统中增加一个可调增益Kc ，来补偿Kp 的变化，自适应机构的任务即是依据误差最小指标及时调整Kc ，使得Kc 与Kp 的乘积始终与理想的Km 一致，这里使用的优化方法为最优梯度法，自适应律为： ??+=t m d y e B Kc t Kc 0)0()(τ Yp Ym e +__ + R 参考模型 调节器被控对象 适应机构 可调系统 ———kmq(s) p(s) Kc Kp q(s)-----p(s)适应律 R ym yp e +-

MIT 方法的优点在于理论简单，实施方便，动态过程总偏差小，偏差消除的速率快，而且用模拟元件就可以实现；缺点是不能保证过程的稳定性，换言之，被控对象可能会发散。 二 对象及参考模型 该实验中我们使用的对象为： 1 22) ()()(2 ++= =s s s p s q K s G p p 参考模型为： 1 21) ()()(2 ++= =s s s p s q K s G m m 用局部参数最优化方法设计一个模型参考自适应系统，设可调增益的初值Kc(0)=0.2，给定值r(t)为单位阶跃信号，即r(t)=A ×1(t)。A 取1。 三 自适应过程 将对象及参考模型离散化，采样时间取0.1s ，进而可得对象及参考模型的差分方程分别为： )2(0044.0)1(0047.0)2(8187.0)1(8079.1)(-+-+---=k r k r k y k y k y m )2(0088.0)1(0094.0)2(8187.0)1(8097.1)(-+-+---=k u k u k y k y k y p p p 其中u 为经过可调增益控制器后的信号。编程进行仿真，经大量实验发现，取修正常数B 为0.3，可得较好的动态过度过程，如下图3所示：

肖哲民 RBF神经网络模型及仿真设计 课程设计

课程设计任务书 课程名称：专业综合实验及设计 题目：RBF神经网络模型及仿真设计 学院：信息工程学院系：自动化 专业：自动化 班级：自动化062 学号：6101206078 学生姓名：肖哲民 起讫日期：2010.1.06——2008.1.20 指导教师：曾芸职称： 系分管主任： 审核日期：

说明 1.课程设计任务书由指导教师填写，并经专业学科组审定，下达到 学生。 2.进度表由学生填写，交指导教师签署审查意见，并作为课程设计 工作检查的主要依据。 3.学生根据指导教师下达的任务书独立完成课程设计。 4.本任务书在课程设计完成后，与论文一起交指导教师，作为论文 评阅和课程设计答辩的主要档案资料。

目录 1．课程设计目的 (3) 2．课程设计题目描述和要求 (3) 3．课程设计原理 (3) 4．设计内容 (8) 5．心得体会 (11) 6．参考文献 (12)

一、课程设计目的： 1、综合运用所学课程的理论知识和实践知识进行仿真设计，培养 学生理论与实际相结合能力，并使所学知识得到进一步巩固、 加强和发展。 2、培养学生分析和解决仿真设计问题的能力，树立正确的设计思 想，掌握仿真设计的基本方法和步骤，对仿真设计有个较全面 的认识。 3、要求学生熟悉常见的人工神经网络的结构和特性，包括智能系 统描述模型、人工神经网络方法的特点，并重点对RBF神经网 络进行较全面的认识和了解，并能进行相关的模型及仿真设计。 二、课程设计题目描述和要求： 1、题目描述： 运用智能控制中所学到的理论知识以及查阅的相关文献资料为指导以MATLAB软件为工具独立完成RBF神经网络模型的建立及仿真设计。 2、设计要求： （1）RBF神经网络模型及原理。 (2)主要采用智能控制原理，实现RBF神经网络的建立，完成算法以及matlab程序的编辑以及仿真的相关图形。 三、课程设计原理：

基于RBFNN的直接模型参考自适应控制

自动化专业综合设计报告 设计题目： 基于RBFNN的直接模型参考自适应控制所在实验室：matlab仿真实验室 指导教师：杜 学生姓名 班级文自112-2 学号201190 成绩评定：

仿真截图

三角输入 clear all; close all; u_1=0; y_1=0; ym_1=0; x=[0,0,0]'; c=[-3 -2 -1 1 2 3; -3 -2 -1 1 2 3; -3 -2 -1 1 2 3]; b=2*ones(6,1); w=[ 0.8283 0.3887 -0.8872 -0.3668 0.8233 0.8274]; xite=0.45; alfa=0.05; h=[0,0,0,0,0,0]'; c_1=c;c_2=c; b_1=b;b_2=b; w_1=w;w_2=w; ts=0.001; for k=1:1:4000 time(k)=k*ts; r(k)=0.2*sawtooth(2*pi*k*ts,0.5); ym(k)=0.6*ym_1+r(k); y(k)=(-0.1*y_1+u_1)/(1+y_1^2); %Nonlinear plant for j=1:1:6 h(j)=exp(-norm(x-c(:,j))^2/(2*b(j)*b(j))); end u(k)=w'*h; ec(k)=ym(k)-y(k); dyu(k)=sign((y(k)-y_1)/(u(k)-u_1)); d_w=0*w; for j=1:1:6 d_w(j)=xite*ec(k)*h(j)*dyu(k); end w=w_1+d_w+alfa*(w_1-w_2); d_b=0*b; for j=1:1:6 d_b(j)=xite*ec(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2*dyu(k); end

基于某RBF神经网络的模型参考自适应

仿真技术及Matlab应用 题目：基于RBF神经网络的模型参考自适应 学院： 班级： 学号： 姓名：

2015年1月5日 目录 前言 (1) 1. 邻聚类算法的RBF神经网络 (2) 2. RBF神经网络的函数逼近理论 (3) 3. RBF神经网络的控制系统设计 (5) 4. 仿真结果 (6) 5. 结语 (7) 6. 附录 (7)

前言 目前,在控制领域,神经网络正稳步地发展,尤其是多层前馈神经网络。在神经网络MRAC (ModelReferenceAdaptive Controller)中,多层前馈神经网络一般用于对受控对象进行系统辨识,神经网络所选用算法进行系统辨识要快速、准确,以利于实时、精确控制。已经证明了只要神经元的数目足够大,则径向基网络能够在一个有限维赋向量空间的紧集上以任意的精度逼近一个非线性函数(只要该非线性函数的性能足够好)。神经网络既可用于对动态系统的辨识也可用于对动态系统的控制。本研究给出了基于MRAC(模型参考自适应控制)的神经网络控制器,该控制器通过使用实际系统与参考模型系统之间的广义误差来调整其参数,控制器中的非线性部分通过RBF网络来实现,用于补偿系统的非线性部分。尽管神经网络能够以任意精度逼近一个非线性函数,但总是存在一定的逼近误差,而对于逼近误差对控制系统所产生的影响,却很少有人讨论,本研究基于Lyapunov 稳定性分析,给出了神经网络的参数修正律,并根据神经网络的逼近误差给出了控制误差的估计;用于在线训练RBF神经网络所采用学习规则是R型(R-modi-fication-type)修正律,控制误差渐近收敛于0附近的一个紧集。 针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。仿真实例说明了所给出的算法切实可行。

自适应作业2--模型参考自适应系统的设计

自适应控制 作业二：模型参考自适应系统(MRAS) 姓名： 学号： Tasks a) Under what circumstances does the model have the property of perfect following? 原系统： y ay bu ? =-+ 参考模型： y a y b u m m m m c ? =-+ 控制信号为：12 u y c θθ-u= 我们总是希望原系统的输出y 能跟参考模型的输出y m 一致，即希望y 与y m 有如下关系式： y y m y y m ?? =???= ?? 那么，将12 u y c θθ-u=代入到y ay bu ? =-+中，再让y y m ? ? =可得： () )1221 y ay bu ay b u y a b y b u c c θθθθ? =-+=-+-=-++（ a y b u y m m m c ? =-+= 若要上式成立，只需要令 /11()/2 2b b b b m m a b a a a b m m θθθθ==??????? +==-???? 所以当选择/1()/2 b b m a a b m θθ=???=-??时，参考模型和原系统的输入输出关系是完全一样的。 b) Design an adaption law using MIT rule so that the error between plant output and model output goes to zero. Draw a block diagram of such MRAS design scheme. Tracking error ： e y y m =- Choose cost function : 2 1()()2J e θθ= Update rule : d J e e dt θδδγγδθδθ =-=- 对于此系统：)21 y a y b u m m m m c y a b y b u c θθ? ??=-+???=-++?（ 可见θ仅与y 有关，与y m 无关。

第八章 模型参考自适应控制(Model Reference Adaptive Control)简称MRAC

第九章 模型参考自适应控制（Model Reference Adaptive Control ）简称MRAC 介绍另一类比较成功的自适应控制系统，已有较完整的设计理论和丰富的应用成果（驾驶仪、航天、电传动、核反应堆等等）。 §9 —１MRAC 的基本概念 系统包含一个参考模型，模型动态表征了对系统动态性能的理想要求，MRAC 力求使被控系统的动态响应与模型的响应相一致。与STR 不同之处是MRAC 没有明显的辨识部分，而是通过与参考模型的比较，察觉被控对象特性的变化，具有跟踪迅速的突出优点。 设参考模型的方程为 式(9-1-1) 式(9-1-2) 被控系统的方程为 式(9-1-3) 式(9-1-4) 两者动态响应的比较结果称为广义误差,定义输出广义误差为 e = y m – y s 式(9-1-5)； X A X Br y CX m m m m m ? =+= X A B r y CX S S S S S ? =+=

状态广义误差为 ε = X m – X s 式(9-1-6)。 自适应控制的目标是使得某个与广义误差有关的自适应控制性能指标J 达到最小。J 可有不同的定义，例如单输出系统的 式 (9-1-7) 或多输出系统的 式(9-1-8) MRAC 的设计方法目的是得出自适应控制率，即沟通广义误差与被控系统可调参数间关系的算式。有两类设计方法：一类是“局部参数最优化设计方法”，目标是使得性能指标J 达到最优化；另一类是使得自适应控制系统能够确保稳定工作，称之为“稳定性理论的设计方法。 §9 —2 局部参数最优化的设计方法 一、利用梯度法的局部参数最优化的设计方法 这里要用到非线性规划最优化算法中的一种最简单的方法—— J e d t = ?20 ()ττ J e e d T t = ?()()τττ