发布时间 : 星期三 文章本科毕业论文-—基于神经网络的非线性自适应控制研究更新完毕开始阅读46829234842458fb770bf78a6529647d27283481
青岛科技大学本科毕业设计（论文）
的形式神经元模型导致了有限自动机理论的发腥。维纳的《Cybernetics》一书专门讨论了动物和机器的控制和通信问题。信息论的奠基人香农也曾探索过人的智力放大问题。我国著名学者钱学森在他的《工程控制论》一书中专门论述了生物体的调节控制和神经网络问题。因此，早在四、五十年代神经系统的功能就已经引起这些现代科学理论开拓者的兴趣，并对他们各自理论的创立做出了贡献。
建立在认知过程信息处理的徽结构理论之上的神经网络作为人的认知过程的一种定量描述，为神经科学家提供了一个良好的机会来发展和验证大脑的T作原理。
神经网络理论的发展，在神经科学中推动了理论神经科学的产生和发展，为计算神经科学提供了必要的理论和模型，神经时络姓在许多学科的基础上发展起来的，它的研究的深入也必然会带动其他相关学科的发展。许多现代科学理论的创导者对脑的功能和神经网络都有着强烈的兴趣，并从中得到了不少启示，创造或发展了许多新理论。
1.2神经同络控制研究历史及现状
神经网络控制的研究始于20世纪60年代Kilmer和McCulloch提出了KMB神经网络模型，并用于“网波罗”登月计划中，取得了良好的效果。1964年．Widrow等将神经网络用于小车倒立摆系统的控制，也取得了成功。80年代后期，神经网络控制随着科学的发展受到重视，其研究人多数集中在自适应控制方法上。神经网络控制是一种基本上不依赖于模型的控制方法，具有较强的自适应性和学习能力，比较适用于那些具有不确定性或高度非线性的控制对象。神经网络作为智能控制的一个重要分支，无论是在理论上还是在
应用上都取得了令人瞩目的成果，尤其是它为解决复杂系统，非线性系统和模型未知系统的控制问题提供了一条新思路．
神经网络在控制领域的应用主要得益于它对非线性函数的逼近能力，神经网络控制基于其显著的学习能力，不断修正神经元之间的连接权值，并离散存储在连接网络中，因而对非线性系统和难以建模的系统具有赶女f的映射能力。
神经网络控制现在是一门非常活跃的课题，其研究热点主要有： 1、利用神经网络的逼近能力，解决复杂系统的辨识、状态估计、建模等难题。
2、利用神经网络的自学习、自组织能力，提高对严重不确定性系统动态特
5
基于神经网络的非线性自适应控制研究
性的适应能力。
3、利用神经同络的联想功能，对各种信息进行识别、诊断、记忆、分类。 4、定性或定量研究神经网络控制系统的稳定性、收敛性等理论问题，以保证神经网络控制系统能够可靠、稳定地正常运行。
5、提高神经同络实时在线控制能力。
6、研究神经网络与其它控制方法的结合，如神经网络鲁棒控制、神经网络专家系统控制、神经网络模糊控制等。
经过20多年的研究，神经网络控制现已成为十分热门的交叉边缘学科，涉及生物、计算机、电子和数学等众多学科，它的发展对未来科学技术的发展将产生重要的影响。因此，神经网络控制具有强大的应用潜力．
1.3 RBF神经网络的研究现状
径向基函数(RadiaJ Basis Furmion，RBF)神经网络，是一种前馈型神经网络，具有局部逼近性能。近些年，径向基函数神经网络已经成功地应用丁信号处理，系统建模，故障诊断和模式识别等领域．目前国内外关于径向基函数神经网络的研究按照算法的不同．主要集中在以下几种：
l、自适应径向基函数神经网络。2001年，上海华东理工大学高大启教授研究了前向两层径基函数网络和莉向两层线性基本函数网络的分类机理及结构与初始参数优化确定方法，提出了Guassian基函数的中心和宽度通过学习自动确定，在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的基函数，并根据新增基函数对测试集的作用自动删除多余基函数的观点””。
2、基于正交最小二乘学习的径向基函数神经同络．在基于最小二乘学习的径向基函数神经网络的基础上，SegaJ R.iS教授提出利用基于正交最小二乘学习的径向基函数神经网络选取网络中心。正交最小一乘学习方法来源于线性回归模型，其任务就是通过学习选择合适的回归算子向量，使得神经网络输出满足性能指标的要求。
3、自组织径向基函数神经网络．2000年9月，日本九州大学Xiong Qingyu等教授提出将自组织特征映射网络和径向基函数神经网络结台起来形成自组织径向基函数神经网络。其中径向基函数神经网络的隐层和输入层不变，改变输出层，即变成组织映射网络的竞争层。对于每一个网络的隐层输出作为输出层的输入时，径向基函数神经网络利用误差规则进行有监督训练，网络产生的输出误差可以决定在什么位置插入一个新的自组织特征映射单元，这样径向基函
6
青岛科技大学本科毕业设计（论文）
数神经网络的结构逐渐变化，直到满足一定的性能标准或者获得一个理想的网络结构为止。
4、遗传径向基函数神经网络。2002年，加拿大卡尔加里大学Ieung Henry教授等采用遗传算法搜索径向基函数神经网络的一些参数值，并用最小二乘法修正权值，通过对参数进行二进制编码，然后进行一系列遗传操作，逐步优化聚类中心、宽度、隐层节点数的值，从而得到最住的径向基函敷神经网络结构12。
5、特殊基函数的神经网络。2000年，日本东京工业大学Miyake Motohauv等提出了一种特殊定义的径向基函数。这种特殊的径向基函数包含四种运算操作，主要是采用乘积与求和的操作，计算过程比较复杂。通过采用这种特殊的径向基函数，在用神经网络进行蒙特卡罗仿真的时候，输出能够根好地逼近贝叶斯决策的边际结果旧‘。
1.4神经网络自适应控制的研究现状
神经网络自适应控制理论从20世纪80年代开始出现，并出现了各种可能的自适应控制方案，但这一时期的主要工作是探索将神经网络应用于非线性自适应控制的可能性，关于权值学习的收敛性和闭环系统的稳定性分析几乎投有。为克服这一弱点，R.M.Sanner提出了基于Lyapunov稳定性理论的自适应神经网络控制方案，采用Lyapunov稳定性理论获得网络权值自适麻律。此后．Lyapunov稳定性理论广泛应用于适应神经网络控制中。张天平等人采用模糊网络逼近未知系统，提出了一种自适应模糊控制方案。针对更广泛的一类未知严格系统，新加坡的S.S.Ge等人通过引入一个全新的积分型Lyapunov函数，提出了一种自适应神经网络控制方案。解决了控制器奇异性问题。
进入90年代以来，神经网络自适应控制进入发展阶段。这一时期已有的一些神经网络自适应控制方案走向成熟，各种新的方案不断出现，例如，文献提出了自校正控制方案。并且对神经网络自适应控制方案中权值学习的收敛性和闭环系统的稳定性进行分析的工作已经展开，在文献中，他们讨论了如何利用神经网络实现非线性系统的局部镇定问题，在一定程度上解决了非线性系统神经网络控制的理论问题。近年来，基于稳定性理论的神经网络自适应控制有了较大的发展，目前神经网络自适应控制已成为神经网络控制领域的热点。
1.5本文结构安排
7
基于神经网络的非线性自适应控制研究
在第一章绪论中，介绍了神经网络研究的意义及国内外研究现状；第二章详细介绍了神经网络研究的历史、学习规则及研究方法等；第三章重点介绍了神经网络控制的发展历史、常用的神经网络模型；第四章主要内容是介绍径向基函数神经网络的结构、学习算法等，并对其逼近能力进行仿真；第五章对一类不确定非线性系统设计控制器进行控制，并进行仿真验证。在结束语中展望了神经网络控制的发展前景，提出以后的研究方向。
8