神經(jīng)網(wǎng)絡(luò)逆模型自適應(yīng)控制的研究

《神經(jīng)網(wǎng)絡(luò)逆模型自適應(yīng)控制的研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、摘要在實(shí)際系統(tǒng)中，常常存在著許多的不確定性、非線性和時(shí)變性等問(wèn)題，使得傳統(tǒng)的基于數(shù)學(xué)模型的現(xiàn)代控制理論的局限性日益明顯。因此，如何僅利用系統(tǒng)的輸出數(shù)據(jù)來(lái)設(shè)計(jì)控制系統(tǒng)無(wú)論在理論上還是在實(shí)際應(yīng)用中都具有重要的意義。神經(jīng)網(wǎng)絡(luò)與自適應(yīng)控制的結(jié)合在非線性控制系統(tǒng)中的應(yīng)用為這一問(wèn)題提供了有效的解決方法。模型參考自適應(yīng)控制是一種典型的自適應(yīng)控制方案，它用一個(gè)參考模型給出所希望的控制系統(tǒng)閉環(huán)響應(yīng)，用實(shí)際系統(tǒng)與參考模型的輸出誤差調(diào)整來(lái)實(shí)時(shí)修正控制器參數(shù)，以適應(yīng)對(duì)象特性的變化。本文的研究對(duì)象是一類非線性系統(tǒng)，這類非線性系統(tǒng)的特點(diǎn)是被控對(duì)象可以表示為線性環(huán)節(jié)和非線性環(huán)節(jié)的串聯(lián)，若是在控制系統(tǒng)中引入非

2、線性環(huán)節(jié)的逆模型，則有利于改善此被控對(duì)象跟蹤參考模型輸出的跟蹤效果。然而，要求出系統(tǒng)的逆，需要有精確的模型解析式，而大多數(shù)的非線性行為是難以用解析式描述，即使建立起非線性數(shù)學(xué)模型，也很難求出模型的逆。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)為解決這個(gè)問(wèn)題提供了極有希望的辦法。本文首先采用基于BP算法的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了非線性系統(tǒng)逆模型辨識(shí)器。通過(guò)引入非線性逆模型，消除系統(tǒng)的非線性部分，使其近似線性化，實(shí)質(zhì)上簡(jiǎn)化了被控對(duì)象。本文控制算法的設(shè)計(jì)則是建立在波波夫超穩(wěn)定性原理上，重點(diǎn)研究非線性系統(tǒng)的自適應(yīng)控制的局部穩(wěn)定性問(wèn)題。神經(jīng)網(wǎng)絡(luò)自適應(yīng)律可以根據(jù)系統(tǒng)參數(shù)和波波夫不等式進(jìn)行推導(dǎo)，算法不需要被控系統(tǒng)的先驗(yàn)知識(shí)，而且

3、使用簡(jiǎn)單，具有一定的工程實(shí)用價(jià)值。本文最后以三相電弧爐模型作為被控的非線性對(duì)象，驗(yàn)證了基于波波夫超穩(wěn)定理論的神經(jīng)網(wǎng)絡(luò)逆模型自適應(yīng)控制的有效性。最后，關(guān)于進(jìn)一步工作的方向進(jìn)行了簡(jiǎn)要的討論。關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；自適應(yīng)控制；穩(wěn)定性；逆模型AbstractABSTRACTUncertainty,nonlinearityandtime-varietyexistgenerallyinactualsystems,whichmakeclassiccontroltheorybasedonthemath-modelmoilandmoillimited．Therefore，howtoonlyuseth

4、esystem’Sinput-outputdatatodesignacontrolsystemhasimportantsignificanceintheoryandapplication．Thesolutionfortheproblemofnonlinearsystemcontrolissolvedbythecombinationofneuralnetworkandadaptivecontrolmethod．Modelreferenceadaptivecontrolisatypicaladaptivecontrolmethod，thiscontrolmethodusesaref

5、erencedmodeltogiveanexpectedresponse，thenadjuststheparameterofcontrolleraccordingtotheoutputerrorbetweenthecontrolledsystemandthereferencemodel，toadapttothevarietyofthesystem．Inthisthesis，thecontrolledobjectisacertainkiIldofnon-linearsystem，whichCanbeconvertalinearpartandanonlinearpartthatco

6、nnectinseries，Itcanimprovethetraceeffectofthecontrolledobjectbyinducingainversemodel．However,tosolvetheinverseofcontrolledsystemneededtheaccuratemodelexpression,whichdifficultlytodescribe．Itisalsohastroubletoworkouttheinversemodeleventhoughobtainthenonlinearmathexpression．Theappearanceofneur

7、alnetworkprovidesamosthopefulmethodforthisproblem．Firstly,thisthesisdesignedBPneuralnetworkstoidentifytheinversemodelofnonlinearsystem．ThenonlinearpartWaseliminatedbyintroducingthenonlinearinversemodel，anditcantransformthenonlinearityintoanearlylin