非线性系统自适应回归神经网络控制
谭思云
(华中科技大学) 陈文清(武汉理工大学) 周建中(华中科技大学)
摘 要: 针对参数不确定非线性系统,提出了基于回归神经网络的间接自适应控制律。控制器采用滑模变结构技术,能保证系统对外部扰动和参数不确定性的不敏感性,最后给出的仿真实例证实了模型的适应性。
关键词: 回归网络; 滑动模态; 不确定性; 非线性系统
中图分类号: O 231.2文献标识码: A
神经网络强大的逼近能力,使其在非线性系统辨识和控制方面的应用得到了广泛的研究,但大多数结果都是基于不同结构(多层感知器或径向基函数)的静态神经网络。这些神经网络的响应仅取决于当前输入及其连接权值,缺乏动态记忆能力。文献[1]对于使用静态神经网络进行辨识和控制的方法的稳定性作了详细讨论。最近的一些研究将高阶静态神经网络应用于非线性鲁棒控制。而动态或回归神经网络引入了反馈,比静态神经网络更有效地处理动态非线性映射。为了描述相同的动态映射,动态神经网络可以等效于更大规模的静态神经网络结构。
实现非线性系统的自适应控制律的最有前途的方法之一是使用回归神经网络在线辨识被控对象模型,这方面已经取得了一些成果。文献[2]中,提出的自适应模型适用于具有不同输入数和状态数的非线性系统,该模型能使系统状态从任意初态到达零状态。文献[3]提出的方法能保证辨识误差以指数收敛,其分析方法是基于微分方程的解而不是使用李亚普诺夫函数。提出一种基于回归神经网络的间接自适应控制方法,其输入是线性的。辨识算法采用文献[3]中给出的算法。控制律则是基于滑动模态变结构,能保证系统对外部扰动和参数不确定性的不敏感性。
2 辨 识
最近的一些研究将自适应算法应用于非线性系统辨识,这些算法均基于回归高阶神经网络(RHONN),这类神经网络可以逼近一大类动态系统。即使存在模型误差或持续激励条件不能满足的情况下,这些算法均能保证辨识误差以指数快速收敛至零。考虑具有n个神经元m个输入的回归高阶神经网络,每个神经元的状态可用下面的微分方程表示:
系统仿真实验结果如图1所示,从仿真曲线可以看出,系统跟踪误差很快收敛到零。图2中的滑动变量曲线表明系统较快进入滑动模态,系统具有很高的控制精度。仿真实验结果证明了所提出的方法的适用性。
|
