3. adqiao@sina.com
2023/12/17 3
假设待辨识对象为非线性离散时间系统
( 1) [ ( ), , ( 1); ( ), , ( 1)]
y k f y k y k n u k u k m
u(k)和y(k)分别为系统k时刻的输入和输出,m和n分别是输入时
间序列和输出时间序列的阶次,m≤n。
用静态前馈神经网络辨识非线性系统的步骤:
1. 获得系统输入输出数据 ,
[ ( ), , (1), ( ), , ( 1)] , ( 1) , ,
[ ( 1), , ( ), ( 1), , ( )] , ( )
T
T
y n y u n u n m y n
y N y N n u N u N m y N
{ (1), , ( )},{ (1), , ( )}
u u N y y N
2. 获得样本数据
3. 选择合适的神经网络结构,采用第6章介绍的神经网络学习算
法训练神经网络。
6. adqiao@sina.com
2023/12/17 6
2石灰窑炉的神经网络模型
石灰窑NARMA方程是
( ) [ ( 1), ( 2); ( 1), ( 2)]
k f k k k k
y y y u u
1 2 1 2
( ) [ ( ), ( )], ( ) [ ( ), ( )]
k y k y k k u k u k
y u
神经网络方程
[ (2), (1), (2), (1)] , (3) , ,
[ (3999), (3998), (3999), (3998)] , (4000)
T T
T T
y y u u y
y y u u y
样本数据
M ˆ
( ) [ ( 1), ( 2); ( 1), ( 2)]
k f k k k k
y y y u u
结构8-20-10-2
14. adqiao@sina.com
2023/12/17 14
假设被控对象为
( 1) [ ( ), , ( 1); ( ), , ( 1)]
y k f y k y k n u k u k m
用静态前馈神经网络建立非线性系统逆模型的步骤:
1. 获得系统输入输出数据 ,
[ ( 1), , (1), ( 1), , ( 1)] , ( ) , ,
[ ( ), , ( ), ( 2), , ( )] , ( 1)
T
T
y n y u n u n m u n
y N y N n u N u N m u N
{ (1), , ( )},{ (1), , ( )}
u u N y y N
2. 获得样本数据
3. 选择合适的神经网络结构,采用第6章介绍的神经网络学习算
法训练神经网络。
若 可逆
)
(
f
1
( ) [ ( 1), ( ), , ( 1); ( 1), , ( 1)]
u k f y k y k y k n u k u k m
直接逆控制策略:
根据f-1和yd(k+1)计算u(k),作用被控对象,得到yd(k+1) ≈y(k+1)。
16. adqiao@sina.com
2023/12/17 16
2 2
1
( , ) ( ) ( ( , )) -
1 1
( - )
2 2
( )( ) ( )( )
d d d
d
d d
u g y w y f u y f g y w e y y
E e y y
E y y u
y y y y
w w u w
f f f
不精确已知; 精确已知 不好求。
18. adqiao@sina.com
2023/12/17 18
2 2
( , ) -
1 1
( - )
2 2
( - )( ) ( - )( )
0*
d d N
d N
N N
d N d N
N d N d
u g y w e y y
E e y y
y y
E u
y y y y
w w u w
y y y y y y
20. adqiao@sina.com
2023/12/17 20
2 2
( , ) ( ) ( ( , )) -
1 1
( - )
2 2
( - )( ) ( - )( )
0
( - )( )
d d d
d
d d
N
N
d
d
u g y w y f u y f g y w e y y
E e y y
E y y u
y y y y
w w u w
y y
y
E u
y y
w u w
y y
22. adqiao@sina.com
2023/12/17 22
( 1) [ ( ); ( 1), ( 2); ( 2) ]
k g k k k k
u r y y u w
;
误差
( ) ( )
k r k
y
M M
1
( ) ( ( ) ( )) ( ( ) ( ))
2
T
e k k k k k
r y r y
M ˆ
( ) [ ( 1), ( 2); ( 1), ( 2)]
k f k k k k
y y y u u
其中
( ) [ ( 1), ( 2); ( 1), ( 2)]
k f k k k k
y y y u u
( 1) [ ( ); ( 1), ( 2); ( 2) ( )]
k g k k k k k
u r y y u w
;
M ˆ
( ) [ ( 1), ( 2); ( 1), ( 2)]
k f k k k k
y y y u u
( 1)
( )
( ) ( 1)
k
e k
k k
w w
w w
w
ˆ, ( 1), ( 2), ( 2)
f k k k
y y u
而 已知
因而误差e(k)是w的函数
更新
神经网络直接逆控制策略
ˆ, ( ), ( 1), ( 2), ( 2), ( 1)
f k k k k k
r y y u w
计算
已知
有 M ˆ
( ) [ ( ); ( 1), ( 2); ( 2) ]
k f g k k k k
y r y y u w
;
若学习收敛,则k→∞, , ,
1
ˆ
g f
M
( ) ( )
k r k
y