《神经网络预测控制》PPT课件

其他工业领域应用案例
电力系统
神经网络控制可以应用于电力系统的负荷预测、故障诊断和稳定性 分析等方面，提高电力系统的运行效率和安全性。
化工过程控制
神经网络控制可以对化工过程中的各种参数进行实时监测和调整， 确保生产过程的稳定性和产品质量。
航空航天
神经网络控制在航空航天领域的应用包括飞行器的姿态控制、导航控 制和故障诊断等，提高飞行器的安全性和性能。
05 神经网络控制性能评估与优化
性能评估指标及方法
均方误差（MSE）
衡量神经网络输出与真实值之间的误差，值越小表示性能越好。
准确率（Accuracy）
分类问题中正确分类的样本占总样本的比例，值越高表示性能越好。
交叉验证（Cross-Validation）
将数据集分成多份，轮流作为测试集和训练集来评估模型性能。
强化学习在神经网络控制中应用
强化学习原理
通过与环境进行交互并根据反馈信号进行学习的方法，使神经网络能够自主学习 到最优控制策略。
强化学习算法
包括Q-learning、策略梯度等算法，用于求解神经网络控制中的优化问题，实现 自适应控制。
04 神经网络控制系统设计与实现
系统需求分析
功能性需求
明确系统需要实现的功能，如 数据输入、处理、输出等。
非监督学习
无需已知输出数据，通过挖掘输入数 据中的内在结构和特征进行学习，常 用于聚类、降维等任务。
深度学习在神经网络控制中应用
深度学习模型
通过构建深层神经网络模型，实现对复杂非线性系统的建模与控制，提高控制 精度和性能。
深度学习优化算法
采用梯度下降等优化算法对深度学习模型进行训练，提高训练效率和模型泛化 能力。

k-1
k
1
wik1
y1k 1 wik2
i
2
y2k 1
. . .
wk ip k 1
pk-1
y k 1 pk 1
30
uik
pk
1
wikj
y
k j
1
i
pk
1
wikj
y
k 1 j
j 1
j0
yik
(
y
k 0
1
i , wik0
1)
yik
f
(u
k i
)
1
1 e sቤተ መጻሕፍቲ ባይዱk
i 1,2,..., pk
k 1,2,...,m
j 1
k 1
其矩阵形式：V (t) AY (t) BU (t)
A {aij }NN
U u1 uM T
B {bik }NM
1
T
N
V v1
T
vN
Y y1 yN T
12
13.2.2 神经元数学模型
▪ 线性环节的传递函数：Xi (s) H(s)Vi (s)
H(s) ：1；1 1；
25
13.2.5 神经网络的发展概况
第二次热潮时期： 20世纪80年代至今
▪ 1982年－1986年，霍普菲尔德（J. J. Hopfield） 陆续提出离散的和连续的全互连神经网络模型，并成 功求解旅行商问题（TSP）。
▪ 1986 年 ， 鲁 姆 尔 哈 特 （ Rumelhart ） 和 麦 克 劳 （ McCellan ） 等 在 《Parallel Distributed Processing》中提出反向传播学习算法（B－P算法） 。

4.4 几种典型的神经网络
网络输出 u x )的非线性映射，径向基 RBF网络的输入层到隐含层实现 x i( 网络隐含层节点的作用函数一般取下列几种形式

最常用的是高斯激活函数
采用高斯基函数，具备如下优点： (1)表示形式简单，即使对于多变量输入也不增加太多的复改性； (2)径向对称； (3)光滑性好，任意阶导数存在； (4)由于该基函数表示简单且解析性好，因而使于进行理论分析。
其中，f 函数为Sigmoid函数
4.4 几种典型的神经网络
(4)调整权值，按误差反向传播方向，从输出节点开始返回到隐层按下式 修正权值
(5)返回第(2)步重复，直至误差满足要求为止。 使用BP算法应注意的几个问题 (1)学习速率 η的选锋非常重要。 (2)在设置各训练样本的期望输出分量时，不能设置为1或0，以设置为 0.9或0.1较为适宜。 (3)若实际问题给予网络的输入量较大，需做归一化处理，网络的输出也 要进行相应的处理。 (4)各加权系数的初值以设置为随机数为宜。 (5)在学习过程中，应尽量避免落入某些局部最小值点上，引入惯性项有 可能使网络避免落入某一局部最小值。
4.4 几种典型的神经网络
4.4.2 径向基神经网络
1985年，Powell提出了多变量插值的径向基函数(Radial Basis Function，RBF)方法。 径向基函数网络比BP网络需要更多的神经元，但是它能够按时间片 来训练网络。径向基网络是一种局部逼近网络，已证明它能以任意精度 逼近任一连续函数。 构成RBF网络的基本思想：用RBF作为隐单元的“基”构成隐含层 空间，这样就可将输入矢量直接(即不通过权连接)映射到隐空间。当 RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输 出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和。此 处的权即为网络可调参数。

22
1. 基于传统控制理论的神经控制将神经网络作为传统控制系统中的一个或几个部分，用以充当辨识器，或对象模型，或控制器，或估计器，或优化计算等。这种方式很多，常见的一些方式归纳如下：
22
(a)
(b)
图3-3 神经直接逆动态控制系统
1)．神经直接逆动态控制神经直接逆动态控制采用受控对象的一个逆模型，它与受控对象串联，以便使系统在期望响应（网络输入
22
（2）神经间接自校正控制间接自校正控制一般称为自校正控制。自校正控制是一种利用辨识器将对象参数进行在线估计，用控制器实现参数的自动整定相结合的自适应控制技术，它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缓慢变化的随机系统。
图3-4 神经自校正控制系统
22
神经自校正控制结构如图3-4所示，它由一个自校正控制器和一个能够在线辨识的神经网络辨识器组成。自校正控制器与被控对象构成反馈回路，根据神经网 络辨识器和控制器设计规则，以得到控制器的参数。 可见，辨识器和自校正控制器的在线设计是自校正控 制实现的关键。
22
上述两种分类并无本质差别，只是后者划分更细一些，几乎涉及到传统控制、系统辨识。滤波和预报等所有方面，这也间接地反映了随着神经网络理论和应用研究的深入，将向控制领域、信息领域等进一步透。为了更能从本质上认识神经网络在实现智能控制中的作用和地位。1998年李士勇将神经网络控制从它与传统控制和智能控制两大门类的结合上考虑分为两大类：即基于传统控制理论的神经控制和基于神经网络的智能控制两大类。
神经网络控制系统
1
神经网络控制理论基于Simulink的三种典型神经网络控制系统
神经网络发展至今已有半个多世纪的历史，概括起来经历了三个阶段：20世纪40 60年代的发展初期； 70年代的研究低潮期；80年代，神经网络的理论研究取得了突破性进展。神经网络控制是将神经网络在相应的控制系统结构中当做控制器或辨识器。神经网络控制的发展，虽仅有十余年的历史，但已有了多种控制结构。