tensorboard ckpt pb 模型的输出节点_基于RBF神经网络的模型参考自适应（10）

1.控制系统设计

图1 基于RBF神经网络的模型参考自适应控制系统

设理想跟踪指令为ym(k)，则定义跟踪误差为e(k)=ym(k)-y(k)；

网络权值学习误差指标为：E(k)=(1/2)*(e(k)^2)；

控制输入为RBF网络的输出：u(k)=h1*w1+...+hjwj+...+hmwm；

其中，m为隐含层的节点个数，wj为节点的权值，hj为高斯基函数的输出。

在RBF网络中，x=[x1，...，xn]T为网络的输入；h=[h1，...，hm]T；

hj为高斯基函数：hj=exp( ||x-cj||^2/2bj^2)；

其中，i=1，...，n，j=1，...，m；bj>0；cj=[cj1，...，cji，...，cjm]；b=[b1，...，bm]T。

设权值向量为：w=[w1，...，wm]T。

由于梯度下降法，网络学习算法为：

Δwj(k)=-η(∂E(k)/∂w)=ηe(k)(∂y(k)/∂u)hj

wj(k)=wj(k-1)+Δwj(k)+αΔwj(k)

其中，η为学习率[0,1]；α为动量因子[0,1]；

同理，可得：

Δbj(k)=-η(∂E(k)/∂bj)=η*e(k)*(∂y(k)/∂u(k))*(∂u(k)/∂bj)=η*e(k)*(∂y(k)/∂u(k))*(∂u(k)/∂bj)

=η*e(k)*(∂y(k)/∂u(k))*wjhj*(||x-cij||/bj^3)

分析上式：(∂u(k)/∂bj)=wjhj*(||x-cij||/bj^3)，因此，这里的u(k)即为RBF神经网络的输出值。

bj(k)=bj(k-1)+ηΔbj(k)+αΔ(bj(k-1)-bj(k-2))

Δcij(k)=-η(∂E(k)/∂cij)=η*e(k)*(∂y(k)/∂u(k))*(∂u(k)/∂cij)=η*e(k)*(∂y(k)/∂u(k))*(∂u(k)/∂cij)

=η*e(k)*(∂y(k)/∂u(k))*wjhj*((x-cij)/bj^2)

cij(k)=cij(k-1)+ηΔcij(k)+αΔ(cij(k-1)-cij(k-2))

其中，∂y(k)/∂u(k)为jacobian阵，表征系统输出对控制输入的灵敏度。

2.仿真实例

设离散被控对象为：y(k)=(-0.10y(k-1)+u(k-1))/(1+y(k-1)^2)

其中：

采样周期为ts=1ms；

参考模型为ym(k)=0.6ym(k-1)+yd(k)

理想的跟踪指令为yd(k)=0.50sin(2pi*k*ts)

RBF神经网络的输入为yd(k)、e(k)和u(k)

学习速率为η=0.35

动量因子为α=0.05

高斯基函数的参数初值为：c=[-3，-2，-1，1，2，3；-3，-2，-1，1，2，3；-3，-2，-1，1，2，3]，b=[2，2，2，2，2，2]。

网络的初始权值为：w=[-0.0316，-0.0421，-0.0318，0.0068，0.0454，-0.0381]。

%% RBF模型参考自适应控制

图2 正弦跟踪

图3 控制输入

问题1：为什么仅仅使用权值调节？

问题2：∂y(k)/∂u(k)的求解仅是微分后的符号值？

参考文献：《RBF神经网络自适应控制MATLAB仿真》_刘金琨