XXXXXXXXXX
系统辨识与自适应控制课程论文
题 目： 自适应控制综述与应用
课程名称： 系统辨识与自适应控制
院 系： 自动化学院
专 业： 自动化
班 级： 自动化102
姓 名： XXXXXX
学 号: XXXXXXXXX
课程论文成绩：
任 课 教 师： XXXXX
2013年 11 月 15 日
自适应控制综述与应用
一． 前言
对于系统辨识与自适应控制这门课，前部分主要讲了系统辨识的经典方法（阶跃响应法、频率响应法、相关分析法）与现代方法（最小二乘法、随机逼近法、极大似然法、预报误差法）。对于系统辨识，简单的说就是数学建模，建立黑箱系统的输入输出关系；而其主要分为结构辨识（n）与参数辨识（a、b）这两个任务。
由于在课上刘老师对系统辨识部分讲的比较详细，在此不再赘述，下面讨论自适应控制部分的相关内容。
对于自适应控制的概念，我觉得具备以下特点的控制系统，可以称为自适应控制系统：
1、在线进行系统结构和参数辨识或系统性能指标的度量，以便得到系统当前状态的改变情况。
2、按一定的规律确定当前的控制策略。
3、在线修改控制器的参数或可调系统的输入信号。
二．自适应控制综述
1.常规控制系统与自适应控制系统比较
（1）控制器结构不同
在传统的控制理论与控制工程中，常规控制系统的结构主要由控制器、控制对象以及反馈控制回路组成。
而自适应控制系统主要由控制器、控制对象、自适应器及反馈控制回路和自适应控制回路组成。
（2）适用的对象与条件不同
系统辨识与自适应控制读书报告
1、 概述
20世纪60年代，自动控制理论发展到了很高的水平。与此同时，工业大生产的发展，也要求将控制技术提高到更高的水平。现代控制理论的应用是建立在已知受控对象的数学模型这一前提下的，而在当时对受控对象数学模型的研究相对较为滞后。现代控制理论的应用遇到了确定受控对象合适的数学模型的各种困难。因此，建立系统数学模型的方法——系统辨识，就成为应用现代控制理论的重要前提。在另一方面，随着计算机科学的飞速发展，计算机为辨识系统所需要进行的离线计算和在线计算提供了高效的工具。在这样的背景下，系统辨识问题便愈来愈受到人们的重视，成为发展系统理论，开展实际应用工作中必不可少的组成部分。
“系统辨识”是研究如何利用系统试验或运行的、含有噪声的输入输出数据来建立被研究对象数学模型的一种理论和方法。系统辨识是建模的一种方法，不同的学科领域，对应着不同的数学模型。从某种意义上来说，不同学科的发展过程就是建立他的数学模型的过程。辨识问题可以归结为用一个模型来表示客观系统本质特征的一种演算，并用这个模型把对客观系统的理解表示成有用的形式。当然也可以有另外的描述，辨识有三个要素：数据，模型类和准则。辨识就是按照一个准则在一组模型类中选择一个与数据拟合得最好的模型。总而言之，辨识的实质就是从一组模型类中选择一个模型，按照某种准则，使之能最好地拟合所关心的实际过程的静态或动态特性。
自适应系统利用可调系统的输入量、状态向量及输出量来测量某种性能指标，根据测得的性能指标与给定的性能指标的比较，自适应机构修改可调系统的参数或者产生辅助输入量，以保持测得的性能指标接近于给定的性能指标，或者说测得的性能指标处于可接受性能指标的集合内。自适应系统的基本结构如图1所示。图中所示的可调系统可以理解为这样一个系统，它能够用调整它的参数或者输入信号的方法来调整系统特性。
可调系统自适应机构比较-判定性能指标测量输出未知扰动已知扰动输入给定性能指标
自适应控制习题
（徐湘元，自适应控制理论与应用，电子工业出版社，2007）
【2-1】 设某物理量Y与X1、X2、X3的关系如下：Y=θ1X1+θ2X2+θ3X3
由试验获得的数据如下表。试用最小二乘法确定模型参数θ1、θ2和θ3
X1: 0.62 0.4 0.42 0.82 0.66 0.72 0.38 0.52 0.45 0.69 0.55 0.36
X2: 12.0 14.2 14.6 12.1 10.8 8.20 13.0 10.5 8.80 17.0 14.2 12.8
X3: 5.20 6.10 0.32 8.30 5.10 7.90 4.20 8.00 3.90 5.50 3.80 6.20
Y: 51.6 49.9 48.5 50.6 49.7 48.8 42.6 45.9 37.8 64.8 53.4 45.3
【2-3】 考虑如下模型
)()(3.03.115.0)(2121twtuzzzzty
其中w(t)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用批处理最小二乘法、具有遗忘因子的最小二乘法（λ=0.95）和递推最小二乘法估计模型参数（限定数据长度N为某一数值，如N=150或其它数值），并将结果加以比较。
【2-4】 对于如下模型
)()1.065.01()()5.0()()15.08.01(213221kwzzkuzzkyzz
其中w(k)为零均值、方差为1的白噪声。根据模型生成的输入/输出数据u(k)和y(k),分别采用增广最小二乘法和随机逼近法进行模型参数估计，并比较结果。
（提示：w(t)可以用MATLAB中的函数“randn”产生）。
【3-1】 设有不稳定系统：
)()9.01()()1(111kuzzkyz
第３１卷第１期 ２０１４年１月 机 电 工 程 Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ＆Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｖ０ｌ｜３ｌ Ｎｏ．１ Ｊａｎ．２０１４
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—４５５１．２０１４．０１．０１２
迟滞非线性系统辨识与补偿控制研究木
阳 丹，王湘江
（南华大学机械工程学院，湖南衡阳４２１００１）
摘要：针对智能材料中存在的迟滞问题，对其开展了迟滞非线性特性分析，建立了迟滞系统。该迟滞系统由两个部分串联构成：一 部分是滤去传递函数影响的Ｐｒｅｉｓａｃｈ模型；另一部分是不考虑迟滞影响的系统传递函数。将离线和在线辨识方法应用到辨识迟滞 系统中，应用最小二乘法离线辨识得到了辨识传递函数参数，再用此辨识传递函数参数作为神经网络辨识的初始权值，得到了神经 网络在线辨识的辨识模型；建立了辨识传递函数的逆模型控制系统和前馈逆模型ＰＩＤ控制系统，并对辨识系统进行了迟滞非线性 补偿。研究结果表明，模型辨识方法的可行性和补偿控制的有效性在仿真中得到了验证。 关键词：迟滞系统；离线辨识；神经网络辨识；逆模型；逆模型ＰＩＤ 中图分类号：ＴＨ１１３．１；ＴＰ２７３ 文献标志码：Ａ 文章编号：１００１—４５５１（２０１４）０１—００５７—０６
Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｃｏｍｐｅｎｓａｔｉｏｎ
ｃｏｎｔｒｏｌ ｆｏｒ ｈｙｓｔｅｒｅｔｉｃ ｎｏｎｌｉｎｅａｒ ｓｙｓｔｅｍｓ
ＹＡＮＧ Ｄａｎ，ＷＡＮＧ Ｘｉａｎｇ－ｊｉａｎｇ
（Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｈｕａ Ｕｎｉｖｅｒｓｉｔｙ，Ｈｅｎｇｙａｎｇ ４２１００１，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇ ａｔ ｔｈｅ ｈｙｓｔｅｒｅｓｉｓ ｎｏｎｌｉｎｅａｒｉｔｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｍａｒｔ ｍａｔｅｒｉａｌｓ，ｈｙｓｔｅｒｅｔｉｃ ｓｙｓｔｅｍ ｗａｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ａｎａｌｙｚｉｎｇ ｔｈｅ ｈｙｓｔｅｒｅ－ ｓｉｓ ｎｏｎｌｉｎｅａｒｉｔｙ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｓｍａｒｔ ｍａｔｅｒｉａｌｓ．Ｔｈｉｓ ｓｙｓｔｅｍ ｗａｓ ｃｏｎｓｉｓｔｅｄ ｏｆ ｔｗｏ ｐａｒｔｓ ｉｎ ｓｅｒｉｅｓ，ｉｎｃｌｕｄｉｎｇ ｐｒｅｉｓａｃｈ ｍｏｄｅｌ ｅｌｉｍｉｎａｔｅｄ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ，ａｎｄ ｌｉｎｅａｒ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｗｉｔｈｏｕｔ ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｉｎｆｌｕｅｎｃｅ ｏｆ ｈｙｓｔｅｒｅｓｉｓ．Ｔｈｅｎ，ｈｙｓｔｅｒｅｔｉｃ ｓｙｓｔｅｍ ｍｏｄｅｌ ｗａｓ ｉｄｅｎｔｉｆｉｅｄ ｂｙ ｏｆｆｌｉｎｅ ａｎｄ ｏｎｌｉｎｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ．Ｆｉｒｓｔｌｙ，ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ｗｅｒｅ ｇｏｔｔｅｎ ｂｙ ｔｈｅ ｌｅａｓｔ ｓｑｕａｒｅｓ ｏｆｌｌｉｎｅ ｉｄｅｎｔｉｆｉｃａ－ ｔｉｏｎ．Ｔｈｅｎ，ｈｙｓｔｅｒｅｓｉｓ ｓｙｓｔｅｍ ｍｏｄｅｌ ｏｆ ｏｎｌｉｎｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｗａｓ ｏｂｔａｉｎｅｄ ｂｙ ｕｓｉｎｇ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ｐａｒａｍｅｔｅｒｓ ａｓ ｉｎｉｔｉａｌ ｗｅｉｇｈｔ ｖａｌｕｅ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｆｉｎａｌｌｙ，ｔｈｅ ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｃｏｎｔｒｏｌ ｓｙｓｔｅｍ ｏｆ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｔｒａｎｓｆｅｒ ｆｕｎｃｔｉｏｎ ａｎｄ ｔｈｅ ｆｅｅｄ－ｆｏｒｗａｒｄ ｃｏｎｔｒｏｌｌｅｒ ｗｉｔｈ ａ ＰＩＤ ｃｏｎｔｒｏｌｌｅｒ ｗｅｒｅ ｅｓｔａｂｌｉｓｈｅｄ ｔｏ ａｃｈｉｅｖｅ ｃｏｍｐｅｎｓａｔｉｎｇ ｈｙｓｔｅｒｅｓｉｓ ｎｏｎｌｉｎｅａｒｉｔｙ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｓｙｓｔｅｍｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅ ｔｈａｔ ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｃｏｍｐｅｎｓａｔｉｎｇ ｃｏｎｔｒｏｌｓ ａｒｅ ｖｅｒｉｆｉｅｄ ｂｙ ｓｉｍｕｌａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ｈｙｓｔｅｒｅｔｉｃ ｓｙｓｔｅｍｓ；ｏｆｆｌｉｎｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ；ｉｎｖｅｒｓｅ ｍｏｄｅｌ ｃｏｎｔｒｏｌｌｅｒ；ｆｅｅｄ・ｆｏｒｗａｒｄ ｃｏｎｔｒｏｌｌｅｒ ｗｉｔｈ ＰＩＤ ｃ０ｎｔｒｏｌｌｅｒ
