基于延迟神经网络的非线性时滞系统控制研究

摘要

本文针对工业过程中常见的时滞系统建模与控制方法进行研究。其目的是在动态神经网络理论的基础上，构建对未知时滞系统的参数辨识与建模方法，进而提出时滞系统的有效控制策略。本文提出两种包含可变延迟时间参数的动态神经网络算法分别用于实现对未知时滞系统的离线和在线辨识。在此基础上分别提出时滞系统控制器的设计方案，并进行相关的理论分析。主要研究内容和研究成果包括： (1)基于通用学习网络自适应算法的非线性时滞系统辨识研究。本文根据通用学习网络在对非线性时滞系统建模过程中表现出的特性，结合网络中延迟参数可以任意设定的特点，提出一种自适应选择延迟时间参数的通用学习网络学习算法。该算法利用通用学习网络的收敛速度对网络中与输出节点相连的分支上的延迟时间参数较为敏感的特性，通过误差评价函数对网络的延迟时间参数进行修正，在保证误差精度的同时加快网络的收敛速度。与此同时，通过该算法优化得到的网络延迟时间参数可以用于时滞系统延迟时间的辨识。此外，本文针对神经网络学习过程中延迟参数变化引起的网络状态扰动问题进行分析，给出网络在状态扰动情况下保持稳定的必要条件。仿真结果证明本文所提出的算法能够有效地实现对包含时滞环节的黑箱非线性系统的建模，并能对系统所包含的时滞环节进行辨识。 (2)基于通用学习网络的时滞系统控制研究。针对模型未知的时滞系统控制问题，本文提出一种基于通用学习网络的模型预测控制方法。该方法利用本文提出的通用学习网络自适应算法对模型未知的时滞系统进行离线建模，得到该过程的输入输出模型以及系统的滞后时间，进而将辨识得到的神经网络模型作为模型预测器对时滞系统进行预报。在控制结构上，该方法将内模控制结构与神经网络Smith预估控制方法相结合，在神经网络控制器的作用下实现对模型未知时滞系统的控制。以工业生产过程中常见的pH中和过程为例，本文在对pH中和过程内在机理分析的基础上，对其进行系统建模与控制仿真实验，仿真结果表明本文所提出的控制方法对pH中和过程有较好的控制能力，并且控制系统具有良好的鲁棒性。 (3)基于一种新型动态前向神经网络的时滞系统辨识与控制研究。针对动态递归神经网络不适用于在线建模的局限，本文提出一种动态前向神经网络用于时滞系统的在线辨识。根据动态前向神经网络的状态方程，本文给出该神经网络的稳定条件。该网络能够根据误差梯度对网络中的连接权值和延迟时间参数进行在线修正，从而能够在充分逼近时滞系统的同时，对时滞系统的延迟时间进行估计。此外，为改善该动态前向神经网络对模型未知时滞系统建模的泛化能力，本文提出一种改进的微粒群算法用于神经网络的在线训练。该算法通过引入白噪声和Logistic映射解决了一般微粒群算法提前收敛的问题，在改善网络泛化能力的同时能够提高网络的学习效率。在动态前向神经网络对时滞系统辨识的基础上，结合鲁棒容错控制结构，本文提出一种基于动态前向神经网络的非线性预测控制系统。仿真实例证明了本文所提出的控制系统具有较强的鲁棒性，能够对模型未知的非线性时滞系统进行有效的辨识和控制。

目录

文摘

英文文摘

声明

1 绪论

1.1 时滞系统及其在控制领域的研究历史及现状

1.1.1时滞系统的传统控制方法

1.1.2时滞系统的现代控制方法

1.2模型预测控制建模方法研究概述

1.2.1预测控制中常用的建模方法

1.2.2模型未知时滞系统延迟时间的辨识研究

1.3神经网络在非线性动态系统建模中的应用研究

1.4本文主要研究内容和结构安排

2通用学习网络自适应算法及其在时滞系统辨识中的应用

2.1 引言

2.2通用学习网络的基本结构和算法

2.2.1沿时间反向传播算法

2.2.2通用学习网络的基本结构

2.2.3通用学习网络的基本算法

2.2.4基于通用学习网络的动态系统辨识仿真研究

2.3改进的通用学习网络自适应学习算法

2.3.1自适应选择延迟时间算法

2.3.2递归神经网络的稳定性

2.3.3通用学习网络的稳定性分析

2.3.4基于通用学习网络自适应学习算法的时滞系统辨识仿真

2.4本章小结

3基于通用学习网络的非线性时滞系统控制

3.1 引言

3.2基于通用学习网络的非线性时滞系统控制器设计

3.2.1基于通用学习网络预测模型的控制系统设计

3.2.2基于神经网络的控制器设计

3.2.3基于神经网络预测模型的控制系统的稳定性分析

3.3基于通用学习网络自适应学习算法的pH中和控制

3.3.1 pH中和过程控制的研究现状

3.3.2 pH中和过程

3.3.2 pH中和过程辨识仿真

3.3.3 pH中和过程预测控制系统仿真实验

3.4本章小结

4基于一种动态前向神经网络的时滞系统预测控制

4.1 引言

4.2一种包含动态神经元的动态前向神经网络

4.2.1带有动态神经元的动态前向神经网络结构

4.2.2基于误差梯度的动态前向神经网络学习算法

4.2.3动态前向神经网络的稳定性分析

4.2.4基于动态前向神经网络的系统辨识仿真研究

4.3基于改进微粒群算法的动态前向神经网络学习算法

4.3.1基于Logistic映射的改进微粒群算法

4.3.2基于Logistic映射微粒群算法的动态前向神经网络设计

4.3.3基于Logistic映射微粒群算法的动态前向神经网络辨识仿真

4.4基于动态前向神经网络的预测控制系统设计

4.4.1基于动态前向神经网络的误差补偿预测控制系统

4.4.2基于神经网络的误差补偿控制系统稳定性分析

4.4基于神经网络的误差补偿预测控制系统仿真

4.5本章小结

5总结与展望

5.1全文总结

5.2研究展望

参考文献

攻读博士学位期间发表学术论文情况

创新点摘要

致 谢

作者简介