下载文档原格式
基于神经网络的自适应控制策略研究随着人工智能技术的快速发展，神经网络作为人工智能领域的一种重要技术手段，已经被广泛应用到许多实际问题的解决中。
其中，自适应控制问题一直是人们关注的焦点之一。
本文将从神经网络的角度出发，探讨基于神经网络的自适应控制策略研究。
一、自适应控制自适应控制是指控制系统具有自我调节能力，在系统参数变化时能够自动调整系统的工作参数，以保持系统的最优状态。
自适应控制的应用非常广泛，例如在机械制造、化工、电力等领域都有广泛应用。
但是，由于受到外界干扰和不确定性等因素的影响，自适应控制问题一直没有得到很好的解决。
二、神经网络神经网络以模拟人脑神经元的工作方式为基础，通过学习和训练自适应地优化参数，以实现对输入数据的分类、识别等功能。
神经网络具有非线性、并行、自适应等特点，因此在处理非线性问题上具有优越的性能优势。
三、基于神经网络的自适应控制策略基于神经网络的自适应控制策略通常是将神经网络与控制系统结合起来，利用神经网络的优秀特性进行控制。
具体而言，包括两部分内容：一是神经网络的学习过程，二是神经网络输出结果的控制策略。
在神经网络的学习过程中，通常采用反向传播算法进行参数更新。
这个过程类似于机器学习中的训练，基于输入和输出数据不断调整网络的权值和阈值，以提高网络的分类和识别能力。
对于自适应控制问题，输入数据通常是实际测量值和设定值之间的偏差，输出数据则是要控制的参数。
通过这种方式，神经网络能够逐渐学习到系统的动态特性，从而实现对系统的自适应控制。
在神经网络输出结果的控制策略中，通常采用PID（比例积分微分）控制的方式，将神经网络输出的数据作为反馈控制器中的一部分，不断调整控制器的输出信号，以保持系统的稳态运行。
这种方式可以有效地解决自适应控制问题中的不确定性和干扰等问题。
四、基于神经网络的自适应控制策略的应用基于神经网络的自适应控制策略已经在多个领域得到了广泛应用。
例如，在机器人控制、纺织机械控制、水处理系统控制和电力系统控制等领域都有应用。
基于神经网络的鲁棒控制算法研究第一章：研究背景随着科技和工业的迅速发展，控制系统在过去几十年内得到了极大的发展。
随着智能化技术的应用，智能控制系统的研究变得越来越受关注。
可以预见，未来的工业控制必然由智能化控制系统所主导。
在智能化控制系统的研究中，神经网络算法是一种常用的方法。
它可以模拟人类大脑的神经系统，并通过学习和优化来实现自适应控制。
然而，传统的神经网络算法往往存在鲁棒性不足的问题。
也就是说，在存在干扰或不确定性的情况下，它很容易造成控制系统的崩溃。
为了解决这个问题，近年来研究人员开始对基于神经网络的鲁棒控制算法进行了深入的研究。
本文将围绕这一主题展开论述。
第二章：鲁棒控制算法概述在控制系统中，鲁棒性指的是控制系统对于不确定性、变化、干扰等外部因素表现出的稳定性。
能够提高控制系统的鲁棒性是控制系统设计中的关键问题。
基于神经网络的鲁棒控制算法是一种通过优化神经网络的结构、参数和学习算法来提高控制系统鲁棒性的方法。
它可以在面对不确定因素的情况下，依然能够实现稳定的控制。
常见的鲁棒控制算法包括了$\mu$-Synthesis、H$\infty$控制、滑模控制等。
然而，这些传统方法的计算复杂度较高，而且难以在大规模的系统中应用。
相比之下，基于神经网络的鲁棒控制算法具有很好的可扩展性、计算复杂度低等优势。
目前，基于神经网络的控制方法被广泛应用于许多控制系统中，包括机器人控制、电力系统控制等。
第三章：基于神经网络的鲁棒控制方法基于神经网络的鲁棒控制方法主要包括两个方面：神经网络控制器的设计和神经网络模型的优化。
1. 神经网络控制器的设计神经网络控制器是基于神经网络的控制系统的核心部件。
它通过处理传统的测量数据和当前获得的状态变量来决定输出信号。
常见的神经网络控制器包括了单级神经网络、多级神经网络等。
通常采用的学习算法有反向传播算法、径向基函数网络等。
为了提高控制系统的鲁棒性，可以考虑采用强化学习算法，如Q-Learning算法、Actor-Critic算法等。
基于自适应控制的机电传动系统的系统鲁棒性和性能优化研究自适应控制是一种在机电传动系统中广泛应用的控制策略，它通过实时地监测和调整控制参数来适应系统参数的变化和外部扰动的影响。
在机电传动系统中，系统鲁棒性和性能优化是重要的研究课题，可确保系统在不确定环境下稳定可靠地工作，并提高系统的效率和精度。
本文将重点探讨基于自适应控制的机电传动系统的系统鲁棒性和性能优化研究。
首先，我们需要了解机电传动系统的基本结构和工作原理。
机电传动系统由电动机、传动装置和负载组成，通过控制装置实现能量输入和传输，实现所需的运动和力量输出。
传动装置包括传动轴、齿轮、皮带和链条等组成部分。
系统的鲁棒性和性能优化涉及到控制器的设计和实现，以及相关参数的调整和优化。
其次，我们可以研究机电传动系统中的自适应控制方法。
自适应控制是指根据系统输出和误差信号实时调整控制参数的控制策略。
在机电传动系统中，自适应控制可以根据系统的特性和工作条件，在不确定性和变化性较大的环境下提供稳定的性能。
常用的自适应控制方法包括模型参考自适应控制、自适应滑模控制和自适应神经网络控制等。
这些方法可以根据系统的不同特点和需求来选择使用。
另外，系统的鲁棒性是指系统对于各种不确定性和扰动的抵抗能力。
在机电传动系统中，外界环境、工作负荷和系统参数等因素的变化都可能对系统的性能产生影响。
鲁棒控制能够通过适应变化和调整相关参数来保持系统的稳定性和性能。
鲁棒性优化可以通过系统辨识和参数估计，以及稳定性分析和控制器设计等手段来实现。
在性能优化方面，我们可以考虑如何提高机电传动系统的效率和精度。
效率是指系统在输送和转换能量过程中的能量利用率，而精度则是指系统能够实现预定的运动和力量输出的准确性。
性能优化可以通过选择合适的控制器和调整相关参数来实现。
同时，还可以通过提高传动装置的设计和制造工艺来提高系统的性能。
最后，我们可以通过实验和仿真来验证和评估基于自适应控制的机电传动系统的系统鲁棒性和性能优化效果。
控制系统中的自适应性与鲁棒性研究自适应性和鲁棒性是现代控制系统中关键的研究方向之一。
在现实世界中，控制系统必须能够应对各种不确定性和变化，以便准确、稳定地实现所需的控制目标。
因此，研究控制系统自适应性和鲁棒性对于提高控制系统的性能和稳定性至关重要。
自适应控制是指控制系统能够根据系统的动态变化和外部环境的改变自动调整控制策略和参数。
自适应控制算法可以通过对系统状态和输入的实时测量，实时计算并调整控制器的参数，从而适应各种工况条件下的控制要求。
自适应控制算法的核心是参数估计和参数调整。
参数估计一般是通过观测系统输出和输入之间的关系，从而推测出系统的动态特性和参数。
参数调整则是根据估计的参数和控制误差，通过合适的算法和规则来更新控制器的参数，以实现控制目标。
自适应控制算法有许多不同的方法和技术，包括模型参考自适应控制、模型预测控制和基于神经网络的自适应控制等。
这些方法都基于控制系统的数学模型和统计特性，利用现代控制理论和工程技术，通过计算和优化来实现自适应性。
其中，模型参考自适应控制是一种常用的方法，它依赖于一个参考模型来描述控制器应该达到的性能指标，通过比较实际输出与参考模型输出之间的误差，调整控制器参数以减小误差。
另一方面，鲁棒性控制是指控制系统能够抵御各种干扰和不确定性的能力。
鲁棒控制算法可以使控制系统对参数变化、外部扰动或测量误差具有较强的稳定性和鲁棒性。
鲁棒控制通常采用针对不确定性的设计方法，如H∞控制、μ合成控制和滑模控制等。
这些方法通过对系统模型的鲁棒稳定性和性能进行优化，设计出能够抵御各种不确定性和干扰的控制器。
与自适应控制不同，鲁棒控制是一种基于系统模型的设计方法。
它通常通过数学分析和优化方法，充分考虑参数变化和外部干扰对系统稳定性和性能的影响，并通过合适的控制策略和调整参数来提高系统的鲁棒性。
自适应性和鲁棒性在实际控制系统中都具有重要意义。
自适应控制能够使系统在面对各种变化和不确定性的情况下保持稳定性和性能。
控制系统中的神经网络控制理论与应用神经网络控制理论在控制系统中的应用日益广泛。
本文将从神经网络控制的定义和原理入手，深入探讨其在控制系统中的理论与应用方面。
一、神经网络控制的定义和原理神经网络控制是利用神经网络模型来实现对控制系统的建模与控制。
神经网络是一种模仿生物神经元网络结构和功能的人工神经网络模型。
其原理基于多层次、并行处理的结构，通过学习和适应能力实现对系统的建模和控制。
神经网络控制的核心是建立适当的网络结构和权值，并通过学习算法对其进行训练。
常用的神经网络模型包括前馈神经网络、递归神经网络和径向基函数神经网络等。
通过对输入信号的处理和网络参数的调整，神经网络能够实现对复杂系统的非线性建模和控制。
二、神经网络控制在控制系统中的应用1. 神经网络控制在自适应控制中的应用神经网络具有自适应性和非线性映射能力，适合用于自适应控制。
其能够通过学习和反馈调整网络参数，实现对系统的模型自适应和参数识别。
在自适应控制中，神经网络能够实时跟踪系统的变化，并做出相应的控制调整，提高系统的鲁棒性和适应性。
2. 神经网络控制在优化控制中的应用神经网络能够通过学习和优化算法，对系统的控制策略进行优化。
在优化控制中，神经网络可以作为一个强大的优化工具，通过学习系统的状态和控制规律，找到最优的控制策略，提高系统的性能和效率。
3. 神经网络控制在非线性系统控制中的应用传统的控制方法在处理非线性系统时常常面临困难，而神经网络可以有效地处理非线性系统的建模和控制。
通过神经网络的非线性映射能力，可以准确地描述和控制非线性系统的动态性质。
在非线性系统控制中，神经网络能够处理多变量和耦合的系统，并实现对系统的非线性控制。
4. 神经网络控制在智能控制中的应用神经网络具有学习和适应的能力，可以通过不断的学习和训练提高系统的控制能力。
在智能控制中，神经网络能够根据系统的运行状态和外部环境对控制策略进行优化和调整，实现对系统的智能化控制。
非线性系统鲁棒性控制策略研究现今，控制理论和应用广泛应用于机器人控制、工业自动化、电力系统、交通运输等领域，人们需要控制非线性系统以达到预期的目标。
然而，在实际控制应用中，非线性系统具有不确定性和复杂性，使得控制难度增加。
为应对这种挑战，研究人员们提出了许多方法，其中鲁棒性控制策略步入人们的视野。
鲁棒性控制的概述鲁棒性控制是协调控制器和被控对象，以适用于各种外部或内部干扰的控制方法。
该方法不需要任何先验知识和模型，使得系统在外部或内部扰动下表现出强鲁棒性。
鲁棒性控制方法的种类通常根据反馈信号的种类分为两大类：（1）全状态反馈鲁棒控制和（2）输出反馈鲁棒控制。
全状态反馈鲁棒控制使用系统所有状态的信息来修正干扰，有助于在广泛的干扰范围内保持良好的系统效果。
然而，状态变量的传感和反馈调整代价高，因此人们更多地关注输出反馈鲁棒控制。
非线性系统的鲁棒性控制非线性系统是由非线性微分方程构成的系统，它们的动态行为比线性系统更为复杂。
例如，非线性系统能够表现出振荡、混沌等行为。
为了使非线性系统具有良好的控制性能，鲁棒性控制相关算法被广泛研究。
非线性系统具有主要不确定性源，包括参数不确定性、外部扰动、仿射不确定性和模型误差。
传统的控制方法甚至可能使得不确定性和非线性引起的性能下降或系统不稳定。
迭代学习控制是非线性系统鲁棒性控制中一种灵活、容易实现的策略。
这种方法不依赖于任何专家先验知识，并且能够适应非线性系统的动态行为。
总的来说，迭代学习控制由两部分组成：跟踪器和学习器。
跟踪器通过根据期望的控制输入和输出跟踪来修正非线性系统的内部状态。
学习器通过适当的学习规则不断学习更新控制策略。
迭代学习算法的实现在迭代学习算法的实现中，其中一种常用的技术是神经网络。
对于神经网络的控制策略，要求其精细调整网络结构，以适应不同的控制任务。
特别需要非线性方法（例如神经广义预测模型控制策略），以适应高度非线性的系统行为。
此外，模糊控制器也常用于非线性系统中的鲁棒性控制。
基于神经网络的机电传动系统鲁棒控制策略优化研究机电传动系统是现代工程中广泛应用的重要组成部分，它在各种工业领域中起着至关重要的作用。
神经网络作为一种强大的模式识别和优化建模工具，已被广泛应用于机电传动系统的控制中。
本文将探讨基于神经网络的机电传动系统鲁棒控制策略优化研究。
首先，我们需要了解机电传动系统的鲁棒控制问题。
机电传动系统受到各种扰动和不确定性的影响，例如负载扰动、参数变化、摩擦等。
这些因素会导致系统的性能下降和控制精度降低。
因此，鲁棒控制就变得至关重要，它可以保证系统在不确定环境中具有稳定性和鲁棒性。
为了解决这个问题，神经网络可以被用来建立机电传动系统的数学模型。
神经网络具有非线性映射和适应性学习的能力，可以更好地描述和控制机电传动系统中的非线性和不确定性。
通过将神经网络应用于机电传动系统的鲁棒控制中，可以提高系统的控制精度和抗干扰能力。
在优化神经网络的鲁棒控制策略中，我们可以采用多种方法。
首先，我们可以使用适当的神经网络结构，例如多层前馈神经网络、循环神经网络或深度神经网络。
根据机电传动系统的具体问题和控制需求，选择合适的神经网络结构可以提高系统的性能。
其次，我们可以利用不同的学习算法来训练神经网络。
常用的学习算法包括反向传播算法、径向基函数神经网络和支持向量机。
这些算法可以通过调整神经网络的权重和阈值，使神经网络能够更好地适应机电传动系统的特性和工作环境。
另外，我们可以将神经网络与其他控制方法相结合，例如模糊控制、自适应控制或模型预测控制。
通过将神经网络与这些方法进行组合，可以进一步提高机电传动系统的鲁棒性和控制性能。
例如，可以使用神经网络来对系统进行建模和预测，然后将结果用于模糊控制器或自适应控制器中。
此外，数据预处理也是优化神经网络鲁棒控制的重要步骤。
通过对输入输出数据进行归一化、滤波或降噪处理，可以提高神经网络的训练效果和预测准确性。
同时，合理选择训练数据集和测试数据集，也可以保证神经网络模型的有效性和泛化能力。
非线性控制理论中的鲁棒控制方法与应用研究鲁棒控制方法是非线性控制理论中的重要组成部分，在工程应用中有着广泛的应用。
本文将围绕非线性控制理论中的鲁棒控制方法展开探讨，包括鲁棒控制的基本原理、常见的鲁棒控制方法以及在不同领域中的应用研究。
鲁棒控制是指系统在存在各种不确定性、扰动和模型误差的情况下，仍能保持稳定和优越性能的控制方法。
与传统的控制方法相比，鲁棒控制能够在不确定性和外界干扰较大的情况下保持系统的稳定性和性能。
鲁棒控制的基本原理是通过设计鲁棒控制器来抵抗系统参数和外界环境的不确定性，从而实现系统的稳定和优化控制。
在非线性控制理论中，常见的鲁棒控制方法包括滑模控制、自适应控制和鲁棒H∞控制。
滑模控制是一种基于滑动模式的控制方法，通过引入滑动面来消除系统不确定性的影响，从而实现系统的稳定和优化控制。
滑模控制方法具有简单的设计过程和较好的鲁棒性能，在工程应用中得到了广泛的应用。
自适应控制是一种通过系统自身的反馈信息来实现控制器参数的在线调整的方法。
在非线性系统中，由于系统参数可能随时间变化，自适应控制可以实时地调整控制器参数，保持系统的稳定性和性能。
自适应控制方法具有较好的适应性和鲁棒性能，可以应对不确定性和扰动的影响。
鲁棒H∞控制是一种基于H∞优化理论的控制方法，通过设计鲁棒H∞控制器，能够使系统在存在不确定性的情况下，满足给定的性能指标。
鲁棒H∞控制方法在处理带有不确定性和外部扰动的非线性系统时具有较好的鲁棒性能和优化控制效果。
除了上述常见的鲁棒控制方法外，还有其他一些鲁棒控制方法在非线性控制理论中得到了广泛的应用。
例如，基于模糊控制的鲁棒控制方法能够通过模糊逻辑和模糊推理来处理不确定性和模糊性信息，使系统具有较强的鲁棒性能和自适应性能。
基于神经网络的鲁棒控制方法利用神经网络的非线性映射和逼近能力，实现对非线性系统的鲁棒控制和优化控制。
这些鲁棒控制方法在不同领域中的应用研究取得了一定的成果。
在工程实践中，鲁棒控制方法广泛应用于飞行器控制、机器人控制、电力系统控制等领域。
基于神经网络的自适应滑模控制算法一、基于神经网络的自适应滑模控制算法概述自适应滑模控制算法是一种先进的控制策略，它能够在系统存在不确定性和外部干扰的情况下，保证系统的稳定性和性能。
近年来，随着神经网络技术的发展，基于神经网络的自适应滑模控制算法逐渐成为研究的热点。
该算法通过神经网络来逼近系统的不确定性和非线性部分，从而实现对复杂系统的精确控制。
1.1 神经网络在控制算法中的应用神经网络因其强大的非线性映射能力和自学习能力，在控制系统中得到了广泛的应用。
它可以被训练来逼近任意复杂的非线性函数，这使得神经网络成为处理系统不确定性和非线性的理想工具。
1.2 自适应滑模控制算法的基本原理自适应滑模控制算法的核心思想是在系统的滑动面附近设计一个控制律，使得系统状态能够沿着滑动面滑动，最终达到期望的状态。
算法的自适应特性体现在能够根据系统状态的变化动态调整控制参数，以适应系统的变化。
1.3 基于神经网络的自适应滑模控制算法的优势将神经网络与自适应滑模控制算法相结合，可以充分发挥两者的优势。
神经网络能够处理系统的不确定性和非线性，而自适应滑模控制算法能够保证系统的稳定性和性能。
这种结合不仅提高了控制算法的鲁棒性，还增强了其适应性。
二、基于神经网络的自适应滑模控制算法的关键技术基于神经网络的自适应滑模控制算法涉及多个关键技术，包括神经网络的设计、训练、参数调整以及滑模控制律的设计等。
2.1 神经网络的设计神经网络的设计是算法成功的关键。
需要选择合适的网络结构、激活函数和学习算法，以确保网络能够有效地逼近系统的不确定性和非线性部分。
2.2 神经网络的训练神经网络的训练是算法实施的基础。
通过大量的训练数据，网络可以学习到系统的动态特性，从而提高控制算法的性能。
2.3 参数调整策略参数调整策略是算法自适应性的核心。
需要设计合适的调整机制，使得控制参数能够根据系统状态的变化动态调整，以适应系统的变化。
2.4 滑模控制律的设计滑模控制律的设计是算法实现稳定性和性能的关键。
自适应控制算法在机器人系统中的应用随着信息技术和人工智能的不断发展，机器人系统在各个领域中的应用越来越广泛。
其中，自适应控制算法是机器人系统中不可或缺的一部分，它可以根据环境变化或系统状态的改变自动调整控制策略，使机器人能够更加高效地完成任务。
一、自适应控制算法介绍自适应控制算法是一种能够根据系统状态和环境变化自动调整控制策略的算法。
它可以实时监测系统的行为，自动适应环境的变化和系统参数的变化，并采取相应的控制策略，从而有效地保证系统的稳定性和优良性能。
目前，自适应控制算法已经被广泛应用于机器人系统中。
例如，在工业机器人应用中，自适应控制算法可以自动调整机器人的运动轨迹和控制参数，以适应不同的工件和工艺要求；在农业机器人应用中，自适应控制算法可以根据植物的生长状态和外部环境变化自动调整机器人的工作方式和工作速度，从而实现自动化农业生产。
二、常见的自适应控制算法自适应控制算法包括很多种，常见的有模型参考自适应控制算法、自适应PID控制算法、模糊自适应控制算法、神经网络自适应控制算法等。
（一）模型参考自适应控制算法模型参考自适应控制算法是最常见的自适应控制算法之一，它基于系统模型和参考模型的比较来调整控制策略。
具体来说，模型参考自适应控制算法的实现过程包括以下几个步骤：1.建立系统模型和参考模型。
2.计算系统误差和参考误差。
3.根据误差调整控制策略。
模型参考自适应控制算法能够自适应系统参数和系统状态的变化，具有优秀的鲁棒性和抗干扰能力，因此在实际应用中得到了广泛的应用。
（二）模糊自适应控制算法模糊自适应控制算法是一种基于模糊逻辑和自适应控制技术的控制方法。
它通过模糊控制器来实现对系统的控制，同时利用自适应算法来优化模糊控制器的参数。
具体来说，模糊自适应控制算法的实现过程包括以下几个步骤：1.建立模糊控制器和适应环节。
2.利用模糊控制器对系统进行控制。
3.根据系统状态和环境变化调整模糊控制器的参数。
模糊自适应控制算法具有自适应性、鲁棒性、泛化性和适应性等特点，在工业控制、机器人应用、交通控制等领域应用广泛。
神经网络控制：探讨神经网络控制在控制系统中的应用和实践引言我们生活在一个充满各种控制系统的时代，从自动驾驶汽车到智能家居，控制系统帮助我们完成各种任务，提高效率并提供便利。
然而，传统的控制方法难以应对复杂、非线性的系统，这就引出了神经网络控制的概念。
神经网络控制是一种使用神经网络模型来解决控制问题的方法，它可以有效地应对复杂系统的建模和控制。
本文将探讨神经网络控制在控制系统中的应用和实践，以及其优点和挑战。
神经网络控制的基本原理神经网络控制的基本原理是使用神经网络模型作为控制系统的核心，它可以模拟人类神经系统的行为和学习机制。
神经网络由多个神经元组成，每个神经元根据输入信号进行处理，然后将输出传递给下一层神经元。
通过在训练阶段调整神经元之间的连接权重，神经网络可以学习到输入和输出之间的关系，并根据输入信号产生适当的控制信号。
神经网络控制的应用自动驾驶汽车自动驾驶汽车是神经网络控制在实际中的一个重要应用领域。
通过使用神经网络模型，自动驾驶汽车可以根据传感器收集的数据，自动控制车辆的加速、制动和转向，以实现自主驾驶。
神经网络可以学习不同驾驶情境下的最佳控制策略，并根据实时情况进行调整，提高驾驶的安全性和效率。
工业控制工业控制是另一个广泛应用神经网络控制的领域。
在传统的PID控制方法无法应对非线性、时变的工业过程时，神经网络控制可以提供更好的解决方案。
通过使用神经网络模型，可以对复杂的工业系统进行建模和控制，从而提高系统的稳定性和性能。
机器人控制机器人控制是神经网络控制的另一个重要应用领域。
通过使用神经网络模型，可以对机器人的运动控制、路径规划和任务执行进行精确控制。
神经网络可以学习适应不同任务和环境的控制策略，并根据实时反馈进行调整，提高机器人的操作精度和效率。
神经网络控制的优点非线性建模能力神经网络控制具有良好的非线性建模能力。
传统的线性控制方法难以对非线性系统进行精确的建模和控制，而神经网络模型可以学习非线性系统的动态特性，并提供更准确的控制策略。
控制工程C ontrol Engineering of China May 2007V ol.14,N o.32007年5月第14卷第3期文章编号:167127848(2007)0320290204 收稿日期:2006203216; 收修定稿日期:2006204226 基金项目:国家自然科学基金资助项目(60304012) 作者简介:李宁宁(19762),女,湖南长沙人,研究生,主要研究方向为智能控制、自适应控制等;宋 苏(19632),男,博士,教授。
一种鲁棒神经网络自适应控制策略及其应用李宁宁1,宋 苏2(11北京工业大学人工智能与机器人研究所,北京100022;21国家自然科学基金委员会信息学部,北京100085)摘 要:针对具有外部干扰等不确定因素的离散未知非线性受控对象,提出了一种鲁棒神经网络自适应控制策略。
该策略运用自适应预测及带遗忘因子的递推最小二乘参数估计的思想,对神经网络的预报输出进行修正,利用鲁棒反馈控制器保证系统稳定性,并对控制信号的增量进行限幅以抑制突变大幅值干扰信号对系统的影响。
将提出的控制方法应用于实验室级液面系统的仿真中,结果表明了该控制策略的有效性。
关 键 词:神经网络;模型参考自适应控制;自适应预测;液面系统中图分类号:TP 273 文献标识码:AR obust Neural Netw ork Adaptive C ontrol Scheme and Its ApplicationLI Ning 2ning 1,SONG Su2(1.Institute of Artificial Intelligence and R obotics ,Beijing University of T echnology ,Beijing 100022,China ;2.Department of In formation Sciences ,National Natural Science F oundation of China ,Beijing 100085,China )Abstract :A robust adaptive control based on neural netw ork for unknown nonlinear dynamical systems with bounded disturbances or unm odeled dynamics is proposed.I t is realized using adaptive forecasting and the recursive forgetting factor least square method.The stability of system is guaranteed by a robust controller.The increment of control signal is restricted in a proper range.This scheme is applied to a laboratory 2scale liquid 2level system ,and the results of simulation show the effectiveness of the proposed scheme.K ey w ords :neural netw ork ;m odel reference adaptive control ;adaptive forecasting ;liquid 2level system1 引 言近年来,由于神经网络所具有的良好的非线性映射能力、自学习适应能力和并行信息处理能力等,为解决复杂非线性系统的建模和控制等问题提供了很好的思路。
然而,神经网络控制在实际中的应用大大受阻,原因之一是在实际的工业控制中,大量的干扰等不确定因素广泛存在,使系统的控制效果等受到影响,甚至失去稳定性。
因此,提高神经网络控制系统的鲁棒性变得十分重要,而目前在此领域的研究成果还比较少见。
本文基于神经网络模型参考自适应控制,提出了一种鲁棒神经网络自适应控制策略。
2 鲁棒神经网络自适应控制策略的设计考虑到实际的受控对象多为具有不确定因素的未知非线性系统,本文以间接型神经网络模型参考自适应控制为基础,提出了一种鲁棒神经网络自适应控制策略,其控制结构如图1所示。
图1 提出的鲁棒神经网络自适应控制策略的结构Fig 11Structure of the proposed robust neural netw orkad aptive control图中,两个神经网络分别作为辨识器NNI 和控制器NNC 。
为提高系统鲁棒性,采用对辨识误差进行自适应预测的方法,并通过一个鲁棒反馈控制器RC 保证系统稳定性。
y p ,y ^,y m 分别为受控对象、NNI 和参考模型的输出;u n 和u r 分别为NNC 和RC 的输出;ξ为干扰输入。
假设具有外部干扰或未建模动态的SIS O 离散非线性受控对象采用如下的NARMA 模型描述[1]:y p (k +1)=f [y p (k ),y p (k -1),…,y p (k -n +1),u (k ),u (k -1),…,u (k -m +1)]+ξ(k +1)(1)式中,u (k )和y p (k )分别为受控对象在k 时刻的输入和实际输出;m 和n 分别为输入时间序列和输出时间序列的阶次,m ≤n ;f :R m +n→R 为未知的非线性函数。
1)控制策略 因神经网络模型参考自适应控制NNMRAC 的控制效果在很大程度上取决于神经网络辨识器的辨识精度和神经网络控制器的学习情况,而考虑到实际控制系统中存在的大量不确定因素,及控制系统的实时性要求,对神经网络不能无止境地进行在线训练直至其收敛。
本文采用对辨识误差进行建模和预测的方法,修正神经网络的训练数据,有效地弥补了神经网络在此方面的缺陷。
通过对前p 个采样周期中辨识器NNI 所产生的辨识误差[Δy (k ),Δy (k -1),…,Δy (k -p +1)]进行建模。
其中:Δy (k )=y p (k )-y ^(k )(2)对下一个采样周期中可能产生的偏差Δy (k +1)进行一步预测,将预测结果Δy 3(k +1)补偿到辨识器的输出中,即:y ～(k +1)=y ^(k +1)+Δy 3(k +1)(3)再用修正后的数据y ～(k +1)对神经网络进行训练,预测值的求解将在后续的文字中进行介绍。
应用预测的方法能很好地补偿神经网络的辨识误差,在一定程度上抑制了因动态过程中的不确定因素造成的影响,但不能保证系统的稳定性,因而引入一个鲁棒反馈控制器RC ,根据系统的输出跟踪误差e m =y m -y ～,产生一个反馈控制信号,在系统受到外部干扰等影响时,使系统仍具有良好的跟踪性能。
鲁棒控制器设计为u r (k )=K R e m (k )+u r (k -1)(4)式中,u r (k )为k 时刻鲁棒控制器的输出,用于抑制干扰对控制系统的影响;K R 为控制器增益。
此时,受控非线性系统的输入为u (k )=u n (k )+u r (k )(5)式中,u n (k )为k 时刻神经网络控制器NNC 输出的控制量。
为进一步抑制突变干扰信号使系统在受扰初期产生的波动等不良影响,将式(5)中的控制信号u (k )作如下修正:u (k )=u n (k )+u r (k ),|Δu (k )|≤δu (k -1)+δsign (Δu (k )),|Δu (k )|>δ(6)式中,Δu (k )=u n (k )+u r (k )-u (k -1);δ为给定有界正数。
2)预测部分的设计 时间序列模型最主要的特征就是承认观测值之间的依赖关系和相关性,它是一种动态模型,能够应用于动态预测。
根据时间序列的这一特点,采用相应的方法对所欲知的辨识误差进行预测。
本文中,预测方法采用了基于p 阶自回归模型AR (p )的实时自适应预测算法。
模型的数学表达式为Δy (k +1)=λ1Δy (k )+λ2Δy (k -1)+…+λp Δy (k -p +1)+e (k +1)(7)写成矢量形式为Δy (k +1)=ΦT (k )θ+e (k +1)(8)式中,ΦT(k )=[Δy (k ),Δy (k -1),…,Δy (k -p +1)];θ=[λ1,λ2,…,λp ]T,λi ∈R (i =1,…,p );e (k )为零均值的白噪声。
在参数时变的条件下,由于参数时变的信息更多地蕴藏在新的观测数据中,而与先前观测数据的关系将逐渐减弱,本文采用带遗忘因子的递推最小二乘方法[2]对参数θ进行估计,遗忘因子μ起到强化当前偏差数据对参数估计的作用,且0<μ<1。
递推算法公式如下:θ^(k )=θ^(k -1)+K (k )[Δy (k )-Φ^T (k )θ^(k -1)](9)K (k )=P (k -1)Φ(k )μ+ΦT (k )P (k -1)Φ(k )(10)P (k )=[I -K (k )ΦT(k )]P (k -1)Πμ(11)Δy 3(k +1)=ΦT (k )θ^(k)(12)式中,θ^(k )为参数θ在k 时刻的估计值;Δy (k )由式(2)计算得出;取初始值θ^(0)=0・I p ×1,I p ×1为p行1列的单位矩阵;P (0)=102・I p ×p 。
3)神经网络的训练 在该类控制中,神经网络的训练是重要环节之一。
对辨识器NNI 进行离线训练和在线修正相结合的方式,以提高控制系统在控制初期跟踪的快速性。
结合所提出的控制策略,训练算法如下:①神经网络辨识 对于式(1)所描述的未知SI 2S O 离散受扰非线性系统,进行辨识[3]采用的神经网络模型如图2所示。
图中,V 为输入层到隐层的权值矩阵;W 为隐层到输出层的权值矩阵;g 和h 为隐层和输出层神经元的激活函数;隐层第i 个神经元输出为o i 。
假设第i 层第j 个神经元的净输入为net ij ,阈值为b ij ,则有输入:P =[x 1,x 2,…,x n -m]=[y ～(k ),…,y ～(k -n +1),・192・第3期 李宁宁等:一种鲁棒神经网络自适应控制策略及其应用 u (k ),…,u (k -m +1)](13)输出:y ^(k +1)=h [net 31(k )]=h [∑lj =1j o j(k )-b 31]=h {∑lj =1jg [∑n +m i =1v ijx i(k )-b 2j ]-b 31}(14)图2 神经网络辨识器NNI 的结构Fig 12Structure of neural netw ork identification采用快速BP 算法对神经网络进行训练,学习的目标函数为J m =1Π2[y p (k )-y ^(k )]2(15)假设学习速率为η(k )>0,动量因子为m c ,此时,神经网络模型的权值调整按以下算法进行:δ(k )=y p (k )-y ^(k )(16)Δ j (k +1)=(1-m c )η(k )δ(k )h ′[net 31(k )]o i (k )+m c Δ j (k )(17)Δv ij (k +1)=(1-m c )η(k )δ(k )h ′[net 31(k )]×j (k )g ′(net 2j )x i (k )+m c Δv ij (k )(18)η(k +1)=α×η(k ),δ(k )<δ(k -1)β×η(k ),δ(k )>γ×δ(k -1)η(k )(19)式中,α>1,0<β<1,γ>1。
