由于BP神经网络的收敛速度慢,不适合安在自适应系统里,所以选择了速度比较快的RBF神经网络,看了关于RBF神经网络自适应控制的一些原理和MATLAB代码,有一些自己的理解写在这里。
一般的神经网络的作用是去做一些分类,回归等工作,能够根据系统输入,在训练好的神经网络系统下分类或者预测出系统的输出,我主要的工作不是做分类器,这个方法主要运用在机器视觉上,我的研究生主要工作是逼近一个未知模型,这就需要用到神经网络的回归,构建系统未知的非线性模型,运用到实际操作上。
下面是一个关于RBF神经网络参考模型自适应的系统框图
这两天主要是学习了一些关于RBF神经网络在自适应控制系统的应用。上图的参考模型,是根据理论建立的理想模型,得到输出ym(k),系统输入yd(k),RBF神经网络的输入为被控对象输入u(k),反馈误差e(k)和系统输入yd(k),其余的参数初始化以及高斯核函数的建立我这里就不多做解释了,在页尾附的MATLAB代码中有注释。
主要想法是,RBF神经网络会将自身的网络输出u(k)当作网络的输入来训练网络,在一些有监督的模型下RBF可以单单输入信号yd(k)做成1-n-1的网络模型,不一定要加入网络的输出做输入信号。
还有一个点,查资料会有发现,RBF神经网络是一种类似SVM设置中心点取欧式距离的方法来做优化处理,而这样做的好处是在到输出层的时候,网络输出变成了线性输出,计算难度大大降低,速度可以提高,缺点就是优化能力下降,这和初始设置的