基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座

第3章基于Simulink神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)

3.1基于Simulink神經(jīng)網(wǎng)絡(luò)模塊3.2基于Simulink三種經(jīng)典神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)1基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第1頁3.1基于Simulink神經(jīng)網(wǎng)絡(luò)模塊

神經(jīng)網(wǎng)絡(luò)工具箱中提供了一套可在Simulink中用來建立神經(jīng)網(wǎng)絡(luò)模塊，對于在MATLAB工作空間中建立網(wǎng)絡(luò)，也能夠使用函數(shù)gensim()生成一個對應(yīng)Simulink網(wǎng)絡(luò)模塊。

2基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第2頁3.1.1模塊設(shè)置在Simulink庫瀏覽窗口NeuralNetworkBlockset節(jié)點上，經(jīng)過單擊鼠標(biāo)右鍵后，便可打開如圖3-1所表示NeuralNetworkBlockset模塊集窗口。

圖3-1NeuralNetworkBlockset模塊集在NeuralNetworkBlockset模塊集中包含了四個模塊庫，用鼠標(biāo)左鍵雙擊各個模塊庫圖標(biāo)，便可打開對應(yīng)模塊庫。

3基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第3頁1.傳輸函數(shù)模塊庫(TransferFunctions)用鼠標(biāo)左鍵雙擊TransferFunctions模塊庫圖標(biāo)，便可打開如圖3-2所表示傳輸函數(shù)模塊庫窗口。傳輸函數(shù)模塊庫中任意一個模塊都能夠接收一個網(wǎng)絡(luò)輸入向量，而且對應(yīng)地產(chǎn)生一個輸出向量，這個輸出向量組數(shù)和輸入向量相同。

圖3-2傳輸函數(shù)模塊庫窗口

4基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第4頁2.網(wǎng)絡(luò)輸入模塊庫(NetInputFunctions)用鼠標(biāo)左鍵雙擊NetInputFunctions模塊庫圖標(biāo)，便可打開如圖3-3所表示網(wǎng)絡(luò)輸入模塊庫窗口。網(wǎng)絡(luò)輸入模塊庫中每一個模塊都能夠接收任意數(shù)目標(biāo)加權(quán)輸入向量、加權(quán)層輸出向量，以及偏值向量，而且返回一個網(wǎng)絡(luò)輸入向量。

圖3-3網(wǎng)絡(luò)輸入模塊庫窗口

5基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第5頁3.權(quán)值模塊庫(WeightFunctions)用鼠標(biāo)左鍵雙擊WeightFunctions模塊庫圖標(biāo)，便可打開如圖3-4所表示權(quán)值模塊庫窗口。權(quán)值模塊庫中每個模塊都以一個神經(jīng)元權(quán)值向量作為輸入，并將其與一個輸入向量（或者是某一層輸出向量）進(jìn)行運算，得到神經(jīng)元加權(quán)輸入值。

圖3-4權(quán)值模塊庫窗口

上面這些模塊需要權(quán)值向量必須定義為列向量。這是因為Simulink中信號能夠為列向量，不過不能為矩陣或者行向量。

6基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第6頁4.控制系統(tǒng)模塊庫(ControlSystems)用鼠標(biāo)左鍵雙擊ControlSystems模塊庫圖標(biāo)，便可打開如圖3-5所表示控制系統(tǒng)模塊庫窗口。

圖3-5控制系統(tǒng)模塊庫窗口

神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)模塊庫中包含三個控制器和一個示波器。關(guān)于它們使用方法將在下一節(jié)專門介紹。

7基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第7頁3.1.2模塊生成在MATLAB工作空間中，利用函數(shù)gensim()，能夠?qū)σ粋€神經(jīng)網(wǎng)絡(luò)生成其模塊化描述，從而可在Simulink中對其進(jìn)行仿真。gensim()函數(shù)調(diào)用格式為：gensim(net,st)其中

第一個參數(shù)指定了MATLAB工作空間中需要生成模塊化描述網(wǎng)絡(luò)，第二個參數(shù)指定了采樣時間，它通常情況下為一正數(shù)。假如網(wǎng)絡(luò)沒有與輸入權(quán)值或者層中權(quán)值相關(guān)延遲，則指定第二個參數(shù)為-1，那么函數(shù)gensim()將生成一個連續(xù)采樣網(wǎng)絡(luò)。

8基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第8頁例3-1設(shè)計一個線性網(wǎng)絡(luò)，并生成其模塊化描述。定義網(wǎng)絡(luò)輸入為：X=[12345]，對應(yīng)目標(biāo)為：T=[13579]。解實現(xiàn)以上任務(wù)MATLAB命令為：Ex3_1結(jié)果顯示：y=13579能夠看出，網(wǎng)絡(luò)已經(jīng)正確地處理了問題。>>gensim(net,-1)9基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第9頁

3.2

基于Simulink神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)神經(jīng)網(wǎng)絡(luò)在系統(tǒng)辨識和動態(tài)系統(tǒng)控制中已經(jīng)得到了非常成功使用。因為神經(jīng)網(wǎng)絡(luò)含有全局迫近能力，使得其在對非線性系統(tǒng)建模和對普通情況下非線性控制器實現(xiàn)等方而應(yīng)用比較普遍。本節(jié)將介紹三種在神經(jīng)網(wǎng)絡(luò)工具箱控制系統(tǒng)模塊(ControlSystems)中利用Simulink實現(xiàn)比較普遍神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它們慣用于預(yù)測和控制，并已在MATLAB對應(yīng)神經(jīng)網(wǎng)絡(luò)工具箱中給出了實現(xiàn)。10基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第10頁這三種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分別是：．神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制(NNPredictiveController)．反饋線性化控制(NARMA-L2Controller)．模型參考控制(ModelReferenceController)

使用神經(jīng)網(wǎng)絡(luò)進(jìn)行控制時，通常有兩個步驟：系統(tǒng)辨識和控制設(shè)計。

11基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第11頁在系統(tǒng)辨識階段，主要任務(wù)是對需要控制系統(tǒng)建立神經(jīng)網(wǎng)絡(luò)模型；在控制設(shè)計階段，主要使用神經(jīng)網(wǎng)絡(luò)模型來設(shè)計（訓(xùn)練）控制器。在本節(jié)將要介紹三種控制網(wǎng)絡(luò)結(jié)構(gòu)中，系統(tǒng)辨識階段是相同，而控制設(shè)計階段則各不相同。對于模型預(yù)測控制，系統(tǒng)模型用于預(yù)測系統(tǒng)未來行為，而且找到最優(yōu)算法，用于選擇控制輸入，以優(yōu)化未來性能。對于NARMA-L2（反饋線性化）控制，控制器僅僅是將系統(tǒng)模型進(jìn)行重整。對于模型參考控制，控制器是一個神經(jīng)網(wǎng)絡(luò)，它被訓(xùn)練以用于控制系統(tǒng)，使得系統(tǒng)跟蹤一個參考模型，這個神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型在控制器訓(xùn)練中起輔助作用。

12基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第12頁3.2.1神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制1.模型預(yù)測控制理論

神經(jīng)網(wǎng)絡(luò)預(yù)測控制器是使用非線性神經(jīng)網(wǎng)絡(luò)模型來預(yù)測未來模型性能。控制器計算控制輸入，而控制輸入在未來一段指定時間內(nèi)將最優(yōu)化模型性能。模型預(yù)測第一步是要建立神經(jīng)網(wǎng)絡(luò)模型（系統(tǒng)辨識）；第二步，使用控制器來預(yù)測未來神經(jīng)網(wǎng)絡(luò)性能。

13基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第13頁1)系統(tǒng)辨識模型預(yù)測第一步就是訓(xùn)練神經(jīng)網(wǎng)絡(luò)未來表示網(wǎng)絡(luò)動態(tài)機(jī)制。模型輸出與神經(jīng)網(wǎng)絡(luò)輸出之間預(yù)測誤差，用來作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練信號，該過程用圖3-11來表示。

圖3-11訓(xùn)練神經(jīng)網(wǎng)絡(luò)14基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第14頁神經(jīng)網(wǎng)絡(luò)模型利用當(dāng)前輸入和當(dāng)前輸出預(yù)測神經(jīng)未來輸出值。神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3-12所表示，該網(wǎng)絡(luò)能夠以批量再線訓(xùn)練。圖3-12神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)15基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第15頁2)模型預(yù)測模型預(yù)測方法是基于水平后退方法，神經(jīng)網(wǎng)絡(luò)模型預(yù)測在指定時間內(nèi)預(yù)測模型響應(yīng)。預(yù)測使用數(shù)字最優(yōu)化程序來確定控制信號，經(jīng)過最優(yōu)化以下性能準(zhǔn)則函數(shù)：式中N2為預(yù)測時域長度；Nu為控制時域長度；u(t)為控制信號；yr為期望響應(yīng)，ym為網(wǎng)絡(luò)模型響應(yīng)，為控制量加權(quán)系數(shù)。

16基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第16頁圖3-13描述了模型預(yù)測控制過程。控制器由神經(jīng)網(wǎng)絡(luò)模型和最優(yōu)化方塊組成，最優(yōu)化方塊確定u（經(jīng)過最小化J），最優(yōu)u值作為神經(jīng)網(wǎng)絡(luò)模型輸入，控制器方塊可用Simulink實現(xiàn)。圖3-13預(yù)測模型控制過程17基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第17頁2.模型預(yù)測神經(jīng)網(wǎng)絡(luò)控制實例分析——攪拌器控制系統(tǒng)在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中實現(xiàn)神經(jīng)網(wǎng)絡(luò)預(yù)測控制器使用了一個非線性系統(tǒng)模型，用于預(yù)測系統(tǒng)未來性能。接下來這個控制器將計算控制輸入，用于在某個未來時間區(qū)間里優(yōu)化系統(tǒng)性能。進(jìn)行模型預(yù)測控制首先要建立系統(tǒng)模型，然后使用控制器來預(yù)測未來性能。下面將結(jié)合MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供一個演示實例，介紹Simulink中實現(xiàn)過程。

18基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第18頁1)．問題描述要討論問題基于一個攪拌器（CSTR），如圖3-14所表示。對于這個系統(tǒng)，其動力學(xué)模型為：圖3-14攪拌器

19基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第19頁其中h(t)為液面高度，Cb(t)為產(chǎn)品輸出濃度，w1(t)為濃縮液Cb1輸入流速，w2(t)為稀釋液Cb2輸入流速。輸入濃度設(shè)定為：Cb1=24.9，Cb2=0.1。消耗常量設(shè)置為：k1=1，k2=1?？刂颇繕?biāo)是經(jīng)過調(diào)整流速w2(t)來保持產(chǎn)品濃度。為了簡化演示過程，不妨設(shè)w1(t)=0.1。在本例中不考慮液面高度h(t)。

20基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第20頁2)．建立模型在MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了這個演示實例。只需在MATLAB命令窗口中輸入命令：predcstr。就會自動地調(diào)用Simulink，而且產(chǎn)生如圖3-15所表示模型窗口。

圖3-15模型窗口

21基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第21頁其中神經(jīng)網(wǎng)絡(luò)預(yù)測控制模塊（NNPredctiveController）和X(2Y)Graph模塊由神經(jīng)網(wǎng)絡(luò)模塊集（NeuraiNetworkBlockset）中控制系統(tǒng)模塊庫（ControlSystems）復(fù)制而來。圖3-20中Plant（ContinuousStirredTankReactor）模塊包含了攪拌器系統(tǒng)Simulink模型。雙擊這個模塊，能夠得到詳細(xì)Simulink實現(xiàn)，此處將不加以深入討論。NNPredictiveController模塊ControlSignal端連接到攪拌器系統(tǒng)模型輸入端，同時攪拌器系統(tǒng)模型輸出端連接到NNPredictiveController模塊PlantOutput端，參考信號連接到NNPredictiveController模塊Reference端。

22基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第22頁雙擊NNPredctiveController模塊，將會產(chǎn)生一個神經(jīng)網(wǎng)絡(luò)預(yù)測控制器參數(shù)設(shè)置窗口（NeuralNetworkPredctiveControl），如圖3-16所表示。這個窗口用于設(shè)計模型預(yù)測控制器。圖3-16神經(jīng)網(wǎng)絡(luò)模型預(yù)測控制器參數(shù)設(shè)置窗口23基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第23頁

在這個窗口中，有多項參數(shù)能夠調(diào)整，用于改變預(yù)測控制算法中相關(guān)參數(shù)。將鼠標(biāo)移到對應(yīng)位置，就會出現(xiàn)對這一參數(shù)說明。24基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第24頁

3)．系統(tǒng)辨識在神經(jīng)網(wǎng)絡(luò)預(yù)測控制器窗口中單擊[PlantIdentification]按鈕，將產(chǎn)生一個模型辨識參數(shù)設(shè)置窗口（PlantIdentification），用于設(shè)置系統(tǒng)辨識參數(shù)，如圖3-17所表示。

圖3-17模型辨識參數(shù)設(shè)置窗口

25基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第25頁4)．系統(tǒng)仿真

在Simulink模型窗口圖3-15中，首先選擇【Simulation】菜單中【parameter】命令設(shè)置對應(yīng)仿真參數(shù)，然后從【Simulation】菜單中單擊【Start】命令開始仿真。仿真過程需要一端時間。當(dāng)仿真結(jié)束時，將會顯示出系統(tǒng)輸出和參考信號。如圖3-21。

圖3-21輸出和參考信號

26基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第26頁5）．?dāng)?shù)據(jù)保留在圖3-17中，利用[ImportData]和[ExportData]命令，能夠?qū)⒃O(shè)計好網(wǎng)絡(luò)和訓(xùn)練數(shù)據(jù)保留到工作空間中或是保留到磁盤文件中。神經(jīng)網(wǎng)絡(luò)預(yù)測控制是使用神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型來預(yù)測系統(tǒng)未來行為。優(yōu)化算法用于確定控制輸入，這個控制輸入優(yōu)化了系統(tǒng)在一個有限時間段里性能。系統(tǒng)訓(xùn)練僅僅需要對于靜態(tài)網(wǎng)絡(luò)成批訓(xùn)練算法，當(dāng)然，訓(xùn)練速度非?？?。控制器不要在線優(yōu)化算法，這就需要比其它控制器更多計算。

27基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第27頁3.2.2反饋線性化控制

1.反饋線性化控制理論

反饋線性化（NARMA-L2）中心思想是經(jīng)過去掉非線性，將一個非線性系統(tǒng)變換成線性系統(tǒng)。

28基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第28頁1)．辨識NARMA－L2模型與模型預(yù)測控制一樣，反饋線性化控制第一步就是辨識被控制系統(tǒng)。經(jīng)過訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)來表示系統(tǒng)前向動態(tài)機(jī)制，在第一步中首先選擇一個模型結(jié)構(gòu)以供使用。一個用來代表普通離散非線性系統(tǒng)標(biāo)準(zhǔn)模型是：非線性自回歸移動平均模型（NARMA），用下式來表示：式中，u(k)表示系統(tǒng)輸入，y(k)表示系統(tǒng)輸出。在辨識階段，訓(xùn)練神經(jīng)網(wǎng)絡(luò)使其近似等于非線性函數(shù)N。

29基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第29頁假如希望系統(tǒng)輸出跟蹤一些參考曲線y(k+d)=yr(k+d)，下一步就是建立一個有以下形式非線性控制器：

使用該類控制器問題是,假如想訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)用來產(chǎn)生函數(shù)G（最小化均方差），必須使用動態(tài)反饋，且該過程相當(dāng)慢。由Narendra和Mukhopadhyay提出一個處理方法是,使用近似模型來代表系統(tǒng)。

30基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第30頁在這里使用控制器模型是基于NARMA-L2近似模型該模型是并聯(lián)形式，控制器輸入u(k)沒有包含在非線性系統(tǒng)里。這種形式優(yōu)點是,能處理控制器輸入使系統(tǒng)輸出踉蹤參考曲線y(k+d)=yr(k+d)。最終控制器形式以下：31基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第31頁直接使用該等式會引發(fā)實現(xiàn)問題，因為基于輸出y(k)同時必須同時得到u(k)，所以采取下述模型：式中d2。

2)．NARMA-L2控制器利用NARMA-L2模型，可得到以下控制器：式中d2。

32基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第32頁2.NARMA-L2（反饋線性化）控制實例分析——磁懸浮控制系統(tǒng)l)．問題描述

如圖1-22所表示，有一塊磁鐵，被約束在垂直方向上運動。在其下方有一塊電磁鐵，通電以后，電磁鐵就會對其上磁鐵產(chǎn)生小電磁力作用。目標(biāo)就是經(jīng)過控制電磁鐵，使得其上磁鐵保持懸浮在空中，不會掉下來。

圖1-22懸浮磁鐵控制系統(tǒng)33基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第33頁建立這個實際問題動力學(xué)方程為：式中y(t)表示磁鐵離電磁鐵距離，i(t)代表電磁鐵中電流，M代表磁鐵質(zhì)量，g代表重力加速度，代表粘性摩擦系數(shù)，它由磁鐵所在容器材料決定；代表場強(qiáng)常數(shù)，它由電磁鐵上所繞線圈圈數(shù)，以及磁鐵強(qiáng)度所決定。

34基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第34頁2)．建立模型MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了這個演示實例。只需在MATLAB命令窗口中輸入：narmamaglev，就會自動地調(diào)用Simulink，而且產(chǎn)生如圖3-23所表示模型窗口。圖3-23模型窗口

35基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第35頁3)．系統(tǒng)辨識

雙擊NARMA-L2Controller模塊，將會產(chǎn)生一個新窗口，如圖3-24所表示。圖3-24系統(tǒng)辨識參數(shù)設(shè)置窗口

36基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第36頁4）．系統(tǒng)仿真在Simulink模型窗口圖3-23中，首先選擇【Simulation】菜單中【parameter】命令設(shè)置對應(yīng)仿真參數(shù)，然后從【Simulation】菜單中單擊【Start】命令開始仿真。仿真過程需要一端時間。當(dāng)仿真結(jié)束時，將會顯示出系統(tǒng)輸出和參考信號。如圖3-25。

圖3-25輸出和參考信號

37基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第37頁3.2.3模型參考控制

1.模型參考控制理論神經(jīng)模型參考控制采取兩個神經(jīng)網(wǎng)絡(luò)：一個控制器網(wǎng)絡(luò)和一個試驗?zāi)Ｐ途W(wǎng)絡(luò)，如圖3-26中所表示。首先辨識出試驗?zāi)Ｐ停缓笥?xùn)練控制器，使得試驗輸出跟隨參考模型輸出。

圖3-26神經(jīng)模型參考控制系統(tǒng)38基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第38頁2.模型參考神經(jīng)網(wǎng)絡(luò)控制實例分析——機(jī)械臂控制系統(tǒng)

圖3-27顯示了神經(jīng)網(wǎng)絡(luò)試驗?zāi)Ｐ驮敿?xì)情況，每個網(wǎng)絡(luò)由兩層組成，而且能夠選擇隱含層神經(jīng)元數(shù)目。

圖3-27神經(jīng)網(wǎng)絡(luò)試驗?zāi)Ｐ?/p>

39基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第39頁有三組控制器輸入：延遲參考輸入、延遲控制輸出和延遲系統(tǒng)輸出。對于每一個這種輸入，能夠選擇延遲值。通常，伴隨系統(tǒng)階次增加，延遲數(shù)目也增加。對于神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型，有兩組輸入：延遲控制器輸出和延遲系統(tǒng)輸出。

下而結(jié)合MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供一個實例，來介紹神經(jīng)網(wǎng)絡(luò)控制器訓(xùn)練過程。

40基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第40頁1)問題描述圖3-28中顯示了一個簡單單連接機(jī)械臂，目標(biāo)是控制它運動。首先，建立它運動方程式，以下所表示：式中代表機(jī)械臂角度，u代表DC（直流）電機(jī)轉(zhuǎn)矩。目標(biāo)是訓(xùn)練控制器，使得機(jī)械臂能夠跟蹤參考模型：式中yr代表參考模型輸出，r代表參考信號。

圖3-28簡單單連接機(jī)械臂

41基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第41頁2)模型建立MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中提供了這個演示實例?？刂破鬏斎氚藘蓚€延遲參考輸入、兩個延遲系統(tǒng)輸出和一個延遲控制器輸出，采樣間隔為0.05秒。42基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第42頁

只需在MATLAT命令行窗口中輸入：mrefrobotarm，就會自動地調(diào)用Simulink，而且產(chǎn)生如圖3-29所表示模型窗口。

圖3-29模型窗口

43基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第43頁3)系統(tǒng)辨識

神經(jīng)網(wǎng)絡(luò)模型參考控制體系結(jié)構(gòu)使用兩個神經(jīng)網(wǎng)絡(luò)：一個控制器神經(jīng)網(wǎng)絡(luò)和一個系統(tǒng)模型神經(jīng)網(wǎng)絡(luò)。首先，對系統(tǒng)模型神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識，然后，對控制器神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識（訓(xùn)練），使得系統(tǒng)輸出跟蹤參考模型輸出。

44基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第44頁（1）對系統(tǒng)模型神經(jīng)網(wǎng)絡(luò)進(jìn)行辨識雙擊模型參考控制模塊，將會產(chǎn)生一個模型參考控制參數(shù)(ModeReferenceControl）設(shè)置窗口，如圖3-31所表示。這個窗口用于訓(xùn)練模型參考神經(jīng)網(wǎng)絡(luò)。窗口中各參數(shù)設(shè)置說明參前解釋。

圖3-31模型參考控制參數(shù)設(shè)置窗口45基于Simulink的神經(jīng)網(wǎng)絡(luò)專家講座第45頁在圖3-31所表示模型參考控制窗口中單擊【PlantIdentification】按鈕，將會彈出一個如圖3-37所表示系統(tǒng)辨識窗口。系統(tǒng)辨識過程操作同前，當(dāng)系統(tǒng)辨識結(jié)束后，單擊圖3-32【OK】按鈕，返回到模型參考控制窗口圖3-31