实验内容2：基于Simulink的神经网络控制系统仿真
1. 课件p62-69中Neural Network Blockset模块集练习;
2. 采用此节的3个例子，参照课件步骤，自己试验，体验神经网络控制及效果。 参考例子：模型预测神经网络控制实例分析—搅拌器控制系统
模型预测
模型预测方法是基于水平后退的方法，神经网络模型预测在指定时间内预测模型响应。预测使用数字最优化程序来确定控制信号，通过最优化如下的性能准则函数：
J??[yr(t?j)?ym(t?j)]???[u(t?j?1)?u(t?j?2)]22j?1j?1N2Nu
式中，N2为预测时域长度；Nu为控制时域长度；u(t) 为控制信号；yr为期望响应，ym为网络模型响应，?为控制量加权系数。
下图描述了模型预测控制的过程。控制器由神经网络模型和最优化方块组成，最优化方块确定u（通过最小化J），最优u值作为神经网络模型的输入，控制器方块可用Simulink实现。
ControlleryNeural Network Modelmyru*Optimizationu
Plantyp模型预测神经网络控制实例分析—搅拌器控制系统
1) 问题的描述
要讨论的问题基于一个搅拌器（CSTR），如图14所示。
对于这个系统，其动力学模型为：
dh(t)?w1(t)?w2(t)?0.2h(t)dtdCb(t)k1Cb(t)w(t)w(t)?(Cb1?Cb(t))1?(Cb2?Cb(t))2?dth(t)h(t)(1?k2Cb(t))2
其中,h(t)为液面高度，Cb(t)为产品输出浓度，w1(t)为浓缩液Cb1的输入流速，w2(t)为稀释液Cb2的输入流速。输入浓度设定为：Cb1=24.9，Cb2=0.1。消耗常量设置为：k1=1，k2=1。
控制的目标:
通过调节流速w2(t)来保持产品浓度。为了简化演示过程，不妨设w1(t)=0.1。在本例中不考虑液面高度h(t)。
1、建立模型
在MATLAB命令窗口中输入命令“predcstr”，弹出1-1所示的模型窗口。
图1-1 模型窗口
其中，神经网络预测控制模块(NN Predictive Controller)和X(2Y)Graph模块由神经网络模块集(Neural Network Blockset)中的控制系统模块库(Control Systems)复制而来。
Plant(Continuous Stirred Tank Reactor)模块包含了搅拌器系统的Simulink模型。
双击NN Predictive Controller 模块，将会产生一个神经网络预测控制器参数设置窗口(Neural Network Predictive Control)，如图1-2所示。这个窗口用于设计模型预测控制器。
图1-2 神经网络预测控制器参数设置窗口
在这个窗口中，有多项参数可以调整，用于改变预测控制算法中的有关参数。将鼠标
移到相应的位置，就会出现对这一参数的说明。
现将这些说明加以解释： ① Cost Honizon(N2)——预测时域长度 ② Control Honizon(Nu) ——控制时域长度 ③ Control Weighting Factor(ρ)——控制量加权系数 ④ Search Parameter(α)——线性搜索参数，决定搜索何时停止 ⑤ Minimization Routine——选择一个线性搜索用做最优化算法 ⑥ Iterations Per Sample Time——选择在每一个采样时间中优化算法迭代的次数 下面是四个按钮的说明： ① Plant Identification——系统辨识。在控制器使用之前，系统必须先进行辨识。 ② OK 、Apply——在控制器参数设定好以后，单击这两个按钮的任一个都可以将这些
参数导入Simulink模型。 ③ Cancel ——取消刚才的设置。 2、系统辨识
在神经网络预测控制器的窗口中单击[Plant Identification]按钮，将产生一个模型辨识参数设置窗口（Plant Identification），用于设置系统辨识的参数，如图1-3所示。
图1-3 模型辨识参数设置窗口
在控制器使用以前，必须首先利用辨识技术建立神经网络模型。这个模型预测系统未来的输出值。优化算法使用这些预测值来决定控制输入，以优化未来的性能。系统的神经网络模型有一个隐含层。这个隐含层的大小、输入和输出的时延，以及训练函数都在图中的窗口中设置。可以选择BP网络中的任意训练函数来训练网络模型。
在窗口菜单中有一项File，其包括的子项中有两项用于导入和导出系统模型对应的网络。图1-3中有很多参数需要设置，现将这些参数分别加以解释。 1 Size of Hidden Layer—设置在系统模型网络隐含层中的神经元数； ○
2 Sampling Interval(sec)—指定程序从Simulink模型中采集数据的间隔； ○
3 No. Delayed Plant Inputs—指定了加到系统网络模型的输入延迟； ○
4 No. Delayed Plant Outputs—指定了加到系统网络模型的输出延迟； ○
5 Normalize Training Data—指定是否使用premnmx函数来将数据标准化 ○
6 Training Samples—指定了为训练而产生的数据点的数目； ○
7 Maximum Plant Input—指定了随机输入的最大值； ○
8 Minimum Plant Input—指定了随机输入的最小值； ○
9 Maximum Interval Value(sec)—指定一个最大的间隔，在这个间隔中，随机输入将保持不○变
10 Minimum Interval Value(sec)—指定一个最小的间隔，在这个间隔中，随机输入将保持不○变；
11 Limit Output Data—用于选择系统输出是否为有界值； ○
12 Maximum Plant Output—指定了输出的最大值 ○
13 Minimum Plant Output—指定了输出的最小值 ○
14 Simulink Plant Model—指定用于产生训练数据的模型 ○
15 Training Epochs—指定训练迭代的次数； ○
16 Training Function—指定训练函数 ○
17 Use Current Weights—指定是否选择当前的权值用于连续训练； ○
18 Use Valid Data—指定是否选择合法数据停止训练； ○
19 Use Testing Data—指定在训练过程中测试数据是否被追踪。 ○
下面是关于按钮的说明：
1 Generate Training Data—产生用于网络训练的数据； ○
2 Import Data—从工作空间或者一个文件中导入数据； ○
3 Export Data—将训练数据导出到工作空间或者一个文件中； ○
4 Train Network—开始网络模型的训练，在训练前必须已经产生或者导入了数据； ○
5 OK 、○Apply—在网络模型经过训练后，单击这两个按钮中的任何一个都可以将网络导入Simulink模型；
6 Cancel—取消刚才的设置； ○
系统辨识分为两步：第一步为产生训练数据，第二步为训练网络模型。在模型辨识窗口中，设置好相应的参数后，单击【Generate Training Data】，程序就回通过对Simulink网络模型提供一系列随机阶跃信号，来产生训练数据。图1-4显示了这些训练数据。