基于C-R模糊模型的非线性系统自校正控制算法研究

摘要

在实际工程中，大多数的被控对象都是复杂的非线性系统，呈现出如下特性：(1)复杂性：系统的结构和参数具有高维性，时变性，高度非线性；(2)不确定性：系统及其外部环境具有许多未知的和不确定的因素；(3)高标准的性能要求：由于系统复杂，导致了控制目标的多样性和各种控制目标之间的矛盾，在设计控制器的时候需要综合考虑各种因素。 线性模型不过是某些非线性被忽略或用线性关系代替后所得到的对真实系统的近似数学描述。传统的线性系统虽然在理论上已经很成熟，但已经不能满足日益发展的实际工业的需要。因此，对非线性系统的研究受到了国内外控制界的普遍重视，非线性系统的建模与控制问题成为当前控制领域研究的主要内容之一。本课题基于C-R模糊模型，研究了非线性系统自适应控制问题： 一、研究了非线性系统C-R模糊模型的结构及辨识算法，包括模糊输入空间模式分类算法(FISCA)和模糊输出空间模式分类算法(FOSCA)，然后针对实际应用中这两种算法初值选取带有盲目性的缺点，改变初值选取对象，使初值选在工作点附近，具有一定的实际意义。同时在此基础上改变算法停止的判断条件，从而减少了判断次数，节省了运算时间。 二、非线性系统的C-R模糊模型，在每一时刻具有线性系统解析式，但在时间区间内却表征系统的非线性特征。根据这一特点，提出了基于C-R模糊模型的非线性系统广义最小方差自校正控制算法。 三、将C-R模糊模型转换成一个形式与阶跃响应模型相似的结构-C-R模糊阶跃模型，在此基础上，提出了基于C-R模糊阶跃模型的非线性系统自校正PID控制算法。 四、研究了关系度聚类算法，应用关系度聚类算法在线辨识出系统的模态，即系统C-R模型的模糊子空间数目，并研究了C-R模糊模型的聚类建模方法，在此基础上对C-R模糊模型的辨识方法进行了改进，提出了基于关系度聚类算法的动态辨识方法。

目录

文摘

英文文摘

声明

第1章绪论

1.1研究的目的和意义

1.2模糊系统模糊模型研究概况

1.3自适应控制基本理论

1.3.1自适应控制系统定义

1.3.2自适应控制特点

1.3.3自适应控制系统的分类

1.3.4自适应控制技术的发展及应用

1.3.5小结

1.4本文的主要研究内容

第2章非线性系统的C-R模糊模型结构及辨识方法

2.1引言

2.2 C-R模糊模型结构

2.3 C-R模糊模型的辨识算法

2.3.1辨识算法1

2.3.2辨识算法2

2.3.3规则数未知时的辨识算法

2.4仿真实验

2.5本章小结

第3章基于C-R模糊模型的广义最小方差自校正控制算法

3.1引言

3.2广义最小方差自校正控制算法

3.2.1广义预测模型

3.2.2加权最小方差控制

3.2.3自校正控制算法

3.3基于C-R模糊模型的非线性系统广义最小方差自校正控制算法

3.4仿真实验

3.5本章小结

第4章基于C-R模糊阶跃模型的自校正PID控制算法

4.1引言

4.2 C-R模糊阶跃模型

4.3 PID控制器参数的整定

4.3.1 PID控制器参数的整定原则

4.3.2 PID控制器参数的整定方法

4.4基于C-R模糊阶跃模型的非线性系统自校正PID控制算法

4.4.1预测模型的获得

4.4.2 C-R模糊阶跃响应模型参数的计算

4.4.3 PID控制器参数的计算

4.5仿真研究

4.6本章小结

第5章基于聚类算法的C-R模糊模型结构辨识

5.1引言

5.2聚类算法概述

5.3改进的关系度聚类方法

5.4动态模糊模型的辨识算法

5.4.1基于关系度聚类的辨识算法

5.4.2基于关系度聚类的动态辨识算法

5.5仿真实验

5.6本章小结

结论

参考文献

致谢

攻读学位期间发表的学术论文目录