基于径向基函数网络的非线性系统自适应逆控制

摘要

传统的控制和自适应控制采用的反馈控制方式是将输出和干扰同时反馈来提高系统性能和消除干扰，这样在两者之间只能折衷实现。而自适应逆控制需要很少的先验知识，不需要知道被控对象的数学模型，就可以设计出性能优良的自适应逆控制系统。自适应逆控制对对象动态响应的控制和消除扰动的控制是分别进行的，二者互不影响，这样就可以尽量提高系统动态性能和消除干扰。设计出的自适应逆控制系统，不仅可以得到好的动态响应，还可以使噪声和扰动减小到最小。 神经网络由于具有逼近非线性对象的能力、并行分布处理、学习和适应、数据融合等特点，非常适合于作为自适应控制中的建模工具。径向基函数神经网络是其中的一类非常有效的前馈网络，具有收敛速度快、逼近精度高、可避免局部最小等优越性。论文对RBF网络的各种学习算法进行了较系统的分析研究，RBF网络的隐层中心的选择是决定RBF网络性能的最重要的因素。首先对目前常用的RBF网络的隐层节点数的选择办法进行了分析，并指出它们的优点和不足。RBF网络的权值修正一般采用RLS方法，但是RLS方法依赖输入信号自相关矩阵的逆，这不仅可以导致大的计算量，而且还可以出现不稳定问题，从而使网络的性能下降，我们选用RPCL-LAF方法，并进行了仿真研究，验证了RPCL-LAF方法的有效性。在多种控制方案中，ε-滤波算法能够适用于非线性系统，并对建模和逆建模精度要求不高，适合于本课题的被控对象，最后也进行了仿真实验研究。

目录

原创性声明及关于学位论文使用授权的声明

摘 要

第一章绪论

1.1引言

1.2非线性自适应逆控制的可行性

1.3非线性自适应逆控制领域的研究进展

1.4论文的内容安排

第二章径向基函数神经网络学习算法

2.1前馈式神经网络

2.2 RBF神经网络原理

2.3 RBF神经网络学习算法分析

2.3.1基于梯度法的RBF神经网络学习算法

2.3.2基于k-均值聚类的RBF神经网络学习算法

2.3.3基于正交最小二乘法(OLS)的RBF神经网络学习算法

2.3.4基于动态均值聚类的RBF神经网络学习算法

2.3.5基于RPCL-LAF的RBF神经网络学习算法

2.4几种学习算法的性能比较

2.5本章小结

第三章非线性系统可逆性分析

3.1系统可逆性

3.2逆动态系统的RBF网络

3.2.1问题描述

3.2.2 RBF网络控制器直接逆动态的存在性

3.3本章小结

第四章非线性系统的神经网络建模

4.1非线性RBF神经网络滤波器

4.2正向建模

4.3逆向建模

4.3.1直接逆建模

4.3.2正-逆建模

4.4仿真研究

4.5本章小结

第五章自适应逆控制系统

5.1基本自适应逆控制系统

5.2 X-滤波算法的自适应逆控制系统

5.3ε-滤波算法的自适应逆控制系统

5.4非线性自适应逆控制系统

5.5仿真研究

5.5.1仿真步骤

5.5.2仿真结果

5.6本章小结

第六章结论与展望

参考文献

致 谢

攻读学位期间发表的论文