发布时间 : 星期五 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）
决，这就凸显了神经网络自适应控制嚣在这方面的独特优势，它通过不断学习，获取对象的知识并适应过程的变化．
神经网络自适应控制从本质上讲，实际上是基于神经网络理论的自校正控制或模型参考自适应控制。自校正控制根据对系统正向和（或）逆模型辨识结果，直接按自适应规律调节控制嚣结构参数，使系统满足既定的性能指标。而在模型参考自适应控制中，闭环控制系统的期望性能则有一个稳定而优良的参考模型来描述，其控制目标是使被控对象的输出响应一致渐近地趋于参考模型的输出响应，即
limy(k)?yd(k)k???? （3-1）
式中?为给定的量，为此，神经网络自适应控制的设计将主要是神经网络控制 器（或）神经网络估计器的设计，整个设计基于神经网络控制理论与技术。
神经网络自适应控制与一般自适应方法的区别在于：(l)神经网络代替了控制器、参教估计器及可调部分；(2)在模型参考控制中，参考模型由神经网络代替．
基于神经网络的非线性系统模型参考自适应控制方案最早由Narmdrau1等人提出的，可分为直接模型参考自适应控制与问接模型参考自适应控制，两者的共同之处是都采用神经网作为控制器，不同之处是间接模型参考自适应控制中还采用神经网络作为被控对象的正向模型估计器．
(1)神经网络直接模型参考自适应控制
神经网络直接模型参考自适应控制结构如图3.12所示
图3.12直接模型参考自适应控制
图中，神经网络充当控制器，用系统输出误差来进行训练。神经网络权值
29
基于神经网络的非线性自适应控制研究
修正目标是使输出误差e?yd?y?0或二次型指标展小．当参考模型为恒等映射时，即为直接逆控制。这里，闭环系统的期望行为由一个稳定的参考模型给出，控制系统的作用是使得系统输出渐近地与参考模攫的输出相匹配。
(2)神经网络间接模型参考自适应控制
神经网络间接模型参考自适应控制结构如图3.13所示
图3.13间接模型参考自适应控制
对于直接模型参考自适应控制，对象必须已知时，才可进行误差的反向传播，这给神经网络控制器的训练带来了困难。为解决这一问题，可引入神经网络辨识器，建立被控对象的正向模型，构成图3.13所示的间接模硝参考自适应控制。在这种结构中，系统误差可通过神经网络辨识器反向传播至神经网络控制器。当用自适应控制器代替神经网络控制器时，这种方法与神经网络参数估计自适应控制类似。
在实际控制系统参考模型的选取中，若将非线性被控对象在工作点附近线性化，将所得到的线性模型选为参考模型，可取得较好的控制效果。
在直接神经网控制中，应用较多的有两种方式，直接逆控制和模型参考神经网络直接自适应控制，直接逆控制是利用神经网络的函数逼近能力，来近似实现系统的逆动力学模型，然后与被控系统串联，以使系统的期望输出与实际对象输出之间实现恒等映射。该方法的可行性在相当程度上取决于逆模型的准确程度，为此需要大蕾的数据进行辨识。另外，如果系统的逆不存在时，该方法将难以奏效。所以考虑模型参考神经网络直接自适应控制。
模型参考神经网络直接自适应控制方法提供了一个期望的参考模型，要求系统输出能够跟随参考模型的输出。这种控制方式是神经网络与线性茉统的模
30
青岛科技大学本科毕业设计（论文）
型参考自适应控制相结合的种控制策略，其不足之处在于用误差反传学习算法调整神经网络权值时，必须知道系统的Jacobi矩阵的符号信息，才能够直接构造权值调整规则。从工程角度看，要做到这一点并不难。因此神经网络直接自适应控制逐渐成为工程中比较实用的控制策略。
作为一种直接自适应控制器，虽然神经网络在设计时还存在一定缺陷，如初值的选取、节点选择等方面缺乏严格的理论指导，但由于其设计思路简单，且在一定条件下稳定性和收敛性等定性地得到保证，因此在工程中仍取得了一些成功。
在神经网络直接自适应控制中，网络权值的调整相当于对控制误差的积分，正是因为该“积分”作用，神经网络直接自适应控制可以做到系统阶跃响应稳态无差。在动态跟踪控制中，通常要求神经网络不但有较快的收敛速度，还要有较快的动态调节能力。理论上讲，提高控制器的收敛速度能够加快系统收敛速度，但实际上也存在神经网络虽已收敛，但控制效果并不十分理想的情况。
在神经网络直接自适应控制系统中，由于初始权值的选择具有盲日性，如取随机数，会造成韧始控制时系统可能会产生振荡。通常采取的措施是，先采用传统控制器，如PID控制，对系统实施控制，神经网络控制器经过初期训练后逐步进入控制环节，最终取代PID控制器，或者采取离线辨识的方法，得到系统逆动力学模型，并作为神经网络直接自适应控制的初始税值模型。后者的缺点是不能保证韧始控制精度，后者存在逆传函辨识所需要的请如激励信号的选择等问题。
神经网络直接自适应控制以其结构简单、算法简洁、工程上易于理解，且在一定条件下稳定性和收敛性能定性地得到保证而倍受人们的重视。
31
基于神经网络的非线性自适应控制研究
4.径向基函数神经网络
4.1径向基函数神经网络
多变量插值的径向基函数方法由Powen于1985年提出，1988年，Broomhead和Lowe根据生物神经元具有局部响应这一特点，首先将径向基函数应用于神经网络设计，构成了径向基函数神经网络，1989年．Jaekson论证了径向基函数网络对非线性连续函鼓的一致逼近性能。
径向基函数神经网络是一种新颖有效的前馈式神经网络。由于它模拟了人脑局部调整，相互覆盖接收域（或称感受域．RecepLive Field）的神经网络结构，因此．RBF网络是一种局部逼近网络，具有展佳逼近和全局最优的性能，很适台用于多变量函数的逼近。只要中心选择得当，只需很少的神经元就可获得很好的逼近效果，并且其网络的连接权与输出呈线性关系，这样它就可以采用可保证全局收敛的线性优化算法。日前径向基函数神经网络已被广泛应H}于模式识别、函数逼近、信号处理，系统建模和控制等众多领域。
RBF神经网络是一种三层前馈网络，第一层为输入层，由信号源节点组成：第二层为隐含层，其单元数视所描述问题的需要而定：第三层为输出层，它对输入模式的作用做出响应。结构如图4.1所示
图4.1 RBF网络结构
RBF神经网络的映射关系由两部分组成：l、从输入空间到隐含层空间的非线性变换层：2、从隐禽层到输出层空间的线性合并层。
RBF神经网络工作的基本思想是：用径向基函数作为隐层单元的“基“构
32