文档介绍:复杂情况
对于
y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))
可得
如果 存在,可用神经网络逼近之。如不存在,可采用动态BP学****算法。
动态BP学****算法
设网络模型
已复杂情况
对于
y(k+1)=f(y(k),y(k-1),u(k-1))+g(u(k))
可得
如果 存在,可用神经网络逼近之。如不存在,可采用动态BP学****算法。
动态BP学****算法
设网络模型
已离线精确获得。
训练控制网络,使下列标准最小
结构图
神经网络的模型参考自适应控制
神经网络的自校正控制
基于神经元网络的自适应控制
自校正控制
如果系统的环境和模型中的参数已知,那么可以采用适当的设计方法来获取某种意义下的最优控制器。如果系统的参数未知,则可用参数在线估计来代替未知的真实参数值。因此,系统辨识和控制器在线调节是自校正控制器设计的关键。
举例1
被控系统:
y(k+1)=ay(k)+bu(k)
期望系统特性
y(k+1)=cy(k)+dr(k)
控制策略:
其中a、b未知时需估计。
举例2
被控系统:
y(k+1)=f(y(k)))+g(y(k))u(k)
期望输出: r(k+1)
神经网络逼近:
控制策略:
BP学****算法
指标函数
学****规则
合作愉快