基于改進(jìn)bp的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制

《基于改進(jìn)bp的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制　　摘要：由于傳統(tǒng)BP算法存在收斂速度慢，容易陷入局部極小值等弊端，目前的BP優(yōu)化算法又使得控制過程變得復(fù)雜，繼而基于BP神經(jīng)網(wǎng)絡(luò)的模型參考自適應(yīng)控制過程也存在實時性差，收斂性慢，精度不高等不足?，F(xiàn)針對改進(jìn)的BP算法和非線性系統(tǒng)的可逆性，分析設(shè)計了一種基于激勵函數(shù)自尋優(yōu)的BP網(wǎng)絡(luò)模型參考自適應(yīng)控制，并通過Matlab仿真結(jié)果表明，在滿足控制精度的情況下控制系統(tǒng)中的辨識器和控制器效果都很理想。因此，對工程應(yīng)用有很大的實際參考利用價值?！　￡P(guān)鍵詞：BP算法;模型參考自適應(yīng)控制;激勵函數(shù);Matlab仿真;神經(jīng)網(wǎng)絡(luò)　　引言　　在現(xiàn)代實際

2、工業(yè)生產(chǎn)中，被控對象存在各種不確定性和時變性，因而使得工業(yè)控制過程變得繁瑣復(fù)雜，針對線性時變系統(tǒng)或非線性系統(tǒng)的控制，人們不斷的研究其解決方法，Narendra等人提出了神經(jīng)網(wǎng)絡(luò)控制和模型參考自適應(yīng)控制相結(jié)合的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制(NeuralNetoid函數(shù)，其函數(shù)表達(dá)式為：　　上式中β稱為Sigmoid函數(shù)的斜率參數(shù)，不同的β取值，引起曲線的彎曲程度不同，β越大，f(x)圖形越陡峭。當(dāng)斜率參數(shù)β接近無窮大時，Sigmoid函數(shù)將轉(zhuǎn)化成簡單的階躍函數(shù)。但與階躍函數(shù)不同，Sigmoid函數(shù)對應(yīng)于0～1之間的一個連續(xù)取值區(qū)域，但

3、階躍函數(shù)只對應(yīng)0和1兩個取值?！　∫话愕娜龑忧梆伾窠?jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。　　輸入向量為Xi=(Xl，X2，Xn)T，i=1，2，，n，n表示輸入神經(jīng)元的個數(shù)，隱含層的輸出向量為yj=(Y1，y2，，ym)，j=l，2，，m，輸出層的輸出向量為Ok=(Ol，O2.，ol)，k=l，2，，l。每層之間的權(quán)值用oid函數(shù)為自變量的非線性函數(shù)，而Sigmoid函數(shù)存在飽和區(qū)，所以改進(jìn)和優(yōu)化激勵函數(shù)對于BP算法的應(yīng)用是至關(guān)重要的。通過實驗發(fā)現(xiàn)，在函數(shù)表達(dá)式中增加一個控制參數(shù)η，可以控制激勵函數(shù)的壓縮程度。改進(jìn)的激勵函數(shù)形式如下：　　上式描述的f(x)的定義域為(-&i

4、nfin;，+∞)，值域為(0，1)，函數(shù)也是單調(diào)的，滿足激勵函數(shù)的條件?！　∫酝霈F(xiàn)的改進(jìn)BP算法學(xué)習(xí)過程中，η和β的賦值都是經(jīng)驗值，本文使得η是一個可以自適應(yīng)的參數(shù)，就是通過判斷網(wǎng)絡(luò)不斷學(xué)習(xí)過后的權(quán)值能否減小網(wǎng)絡(luò)誤差來自動的調(diào)整η的值，其調(diào)整方法為：　　其中，al，E為網(wǎng)絡(luò)誤差，f指迭代次數(shù)。在誤差信號反向傳播時，自適應(yīng)參數(shù)η是隨著誤差信號不斷進(jìn)行修正的?！　〈怂惴梢蕴岣連P網(wǎng)絡(luò)的收斂速度，同時也避免了陷入局部極小值。文中使其結(jié)合模型模型參考自適應(yīng)控制明顯提高了系統(tǒng)的整體控制效果，進(jìn)一步驗證了算法改進(jìn)的實用性，

5、與傳統(tǒng)BP算法相比，改進(jìn)后的算法在實際運用中更具有意義?！　《?、神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)結(jié)構(gòu)　　典型的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)結(jié)構(gòu)如圖2所示?！　D2中NNC(NeuralNet和y分別為參考模型和被控對象的輸出，ec是參考模型輸出和被控對象輸出之差，ei是被控對象輸出和辨識器輸出之差，NNC的權(quán)值修正目標(biāo)是使ec達(dá)到系統(tǒng)設(shè)定值(理想值為零)，NNI的目標(biāo)也是使ei盡可能最小(理想值為零)，且為NNC傳遞梯度信息?！　∩窠?jīng)網(wǎng)絡(luò)辨識器NNI的訓(xùn)練誤差表示為，其中，y(k)當(dāng)前k時刻被控對象的輸出數(shù)據(jù)，為下一時刻的預(yù)測輸出數(shù)據(jù)。則辨識器的調(diào)整規(guī)則就是使誤差Ei盡

6、可能小，Ei表示為：　　神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)的控制目標(biāo)在于使被控對象的輸出y與參考模型的輸出Ym漸近的匹配，即　　其中，s為一個給定的小正數(shù)?！　∩窠?jīng)網(wǎng)絡(luò)控制器NNC的訓(xùn)練則由誤差ec=ym-y來訓(xùn)練，訓(xùn)練準(zhǔn)則如上式(8)，控制系統(tǒng)中神經(jīng)網(wǎng)絡(luò)辨識器和控制器的學(xué)習(xí)算法就采用改進(jìn)后的BP算法。　　在神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制系統(tǒng)的控制策略設(shè)計中，改進(jìn)的BP算法能夠在滿足系統(tǒng)控制規(guī)律符合要求的情況下，使得神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制效果更好。雖然改進(jìn)的BP算法是激勵函數(shù)自尋優(yōu)的自適應(yīng)方法，不能夠使神經(jīng)網(wǎng)絡(luò)辨識器NNI進(jìn)行離線訓(xùn)練，但是快速的BP算法仍然可以使網(wǎng)絡(luò)具有很

7、好的實時性。首先在線訓(xùn)練辨識器，待參數(shù)訓(xùn)練好以后，再進(jìn)行控制器NNC的訓(xùn)練，最終可以保證被控對象的輸出y很好的跟蹤參考模型的輸出Y?！　∪⒎抡鎸嵗芯俊　?.1改進(jìn)的BP算法驗證　　本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測控制來驗證改進(jìn)算法的有效性。利用簡單的一組樣本訓(xùn)練集和樣本目標(biāo)集進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，再給定一組輸入樣本數(shù)據(jù)，觀測輸出層輸出數(shù)據(jù)和誤差。分析樣本數(shù)據(jù)設(shè)計BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3個輸入、2個輸出、隱含層的神經(jīng)元數(shù)目為8。網(wǎng)絡(luò)學(xué)習(xí)次數(shù)為100次，目標(biāo)誤差設(shè)置為0.001?！　∈褂肕ATLAB軟件進(jìn)行網(wǎng)絡(luò)訓(xùn)練，傳統(tǒng)BP算法的網(wǎng)絡(luò)訓(xùn)練過程收斂情