失眠网 > matlab模拟神经模糊自适应控制器

matlab模拟神经模糊自适应控制器

时间：2021-10-11 15:58:47

相关推荐

matlab模拟神经模糊自适应控制器

神经模糊自适应控制器

神经模糊自适应控制器的结构

该分析系统由一个普通的反馈控制器（FC）和一个神经控制器（NNC）组成，两控制器的输出信号之和作为实际控制量对系统进行控制，即

而神经控制器的输出可以表示为

上式中，r是参考输入；e为系统跟踪误差；ω(k)和θ(k)分别是神经网络的连接权和神经元的输入偏置；最后一项是神经元激发函数，取其形式为对称Sigmoid函数。

反馈控制器FC起着监控作用，在NNC训练初期，FC对系统实施启动控制，并保证闭环系统的稳定性。神经控制器NNC是一个在线学习的自适应控制器，其作用是综合系统的参考输入和跟踪误差，利用模糊推理机FIE的输出信号进行学习，不断逼近被控对象的逆动力学模型，使FC的输出及其变化趋于零，从而逐步取消FC的作用，实现对系统的高精度跟踪。

在控制初期，神经控制器NNC未经训练，反馈控制器起主要作用，NNC通过FIE的输出信号不断得到训练，并逐渐在控制行为中占据主导地位，最终取代反馈控制器单独对系统实施高精度控制，当系统受到干扰或对象发生变化时，反馈控制器重新起作用，通过补偿控制，消除上述因素对控制系统的影响，同时为NNC提供训练误差。

NNC的设计

由于一个3层神经网络就具有任何逼近能力，因此，NNC采用一个单隐含层线性输出前馈网络，其模型结构如下图所示，输入/输出关系可描述为

式中，

是网络的输入向量，W_OH (k)、W_HI (k)分别是NNC输出层到隐含层和隐含层到输入层的权值矩阵；θ_H (k)是隐含单元的输入偏置。

网络权值的学习规则为

神经网络首先要设计网络结构（输入4个神经元，一层隐藏层，隐藏层具有6个神经元，输出层具有一个神经元），初始化权重，前向传播计算输出，反向传播更新权重。（附代码）

模糊控制器的设计

为改善神经网络的学习效果，使NNC的输出变换与系统的运动特性匹配，根据误差和误差变化，将系统的最终目标分解成若干目标。分目标学习误差由模糊推理机的一组模糊规则给出，如下表所示，

为实现上述模糊推理规则，必须对FIE的输入变量进行模糊化处理。为此，引入引入反馈控制器的输出变量及其变化变量的量化因子。

最后以重心法进行模糊判决，得到分目标学习误差

∆E需要还原到其基本论域中，才可用于NNC的学习，因此将其乘上一个比例因子。量化因子和比例因子选配时应兼顾响应速度和超调量。在本次仿真中，量化因子分别为0.01和0.1，比例因子为12。确定分目标学习误差后，定义NNC的训练误差函数如下

神经模糊自适应控制器的算法

1、初始化FC及NNC的结构、参数及各种训练参数

2、在时刻k，采样y(k)、r(k)，并计算系统输出误差

3、计算反馈控制器FC的输出信号及其变化量

4、根据模糊推理规则，求出NNC分目标学习误差

5、如果分目标学习误差大于某一设定值，修正NNC的权值，否则，继续下一步

6、构造NNC的输入向量，并计算其输出

7、计算控制器输出，并送给被控对象，产生下一步输出y(k+1)

8、令k=k+1，对{y(k)},{u(k)},{e(k)}进行移位处理，返回步骤2

在控制过程中，NNC利用模糊推理机的分目标学习误差进行学习和在线调整，逐渐使FC的输出趋于零，从而在控制中占据主导地位，最终取消FC的作用。随着NNC权值的调整，当分目标学习误差收敛到一个给定精度时，NNC的训练暂告结束。此时，NNC已经能很好地代表对象的逆动力学特性，完全取代FC，对系统实行高品质控制。当系统出现干扰或对象发生变化时，反馈控制器FC重新起作用，NNC也将重新进入学习状态。这种控制策略具有良好的完备性，不仅可确保控制系统的稳定性和鲁棒性，而且可有效提高系统的精度和自适应能力。