基于神经网络的状态反馈控制系统的研究

摘要

日常生产过程中，控制系统都是在不断变化的各种环境中运行的，每个因素都在随时间变化而变化，且这种变化通常是难以精确掌握的，从而导致控制系统的不确定性。如果不考虑这些不确定性因素的影响，不仅难以获得理想的控制效果，甚至可能造成系统的崩塌。所以，在存在不确定性因素的情形下，依据系统现行的状态采用什么控制策略以实现系统的有效控制，成为人们十分关心而又急待解决的问题之一。
　　为了解决这个问题，论文分别将BP、RBF两种神经网络与线性二次型最优控制器（LQR）相结合，得到一种新型的神经网络控制方法—基于神经网络的状态反馈控制。它采用一般状态反馈模型框架，引入了神经网络，结合线性二次型最优控制中的状态反馈思想和控制律形式，使系统具有与经典的LQR多变量控制方法相似的多变量处理能力。与此同时，系统采用改进了的LMBP算法和网络修剪的方法实现网络结构优化和提高训练速度。
　　本文以单级倒立摆这个既经典又复杂、不确定、多变量系统为实例，采用两种新型神经网络控制策略，充分利用神经网络控制器自学习、自适应能力较强的优势，对状态反馈控制系统的控制多变量问题上，进行了有益的探索。通过仿真，证实了神经网络状态反馈控制系统可有效地改进系统性能，优于一般状态反馈控制。而且，对其它类似的多变量控制问题，基于神经网络的状态反馈控制策略提供了一种可能的更有效的新的简便途径。

目录

封面

声明

中文摘要

英文摘要

目录

Contents

1 绪论

1.1 课题背景

1.2 课题的研究现状及发展

1.3 本文的主要研究内容

2 神经网络原理

2.1 神经网络简介

2.2 BP神经网络

2.3 径向基函数神经网络

3 基于BP神经网络的状态反馈控制系统

3.1 基于BP神经网络的状态反馈控制器设计

3.2 基于BP神经网络的状态反馈控制学习算法的改进及研究

3.3 基于BP神经网络的状态反馈控制系统仿真

4 基于RBF神经网络的状态反馈控制系统

4.1 简介

4.2 基于RBF神经网络的状态反馈控制器设计

4.3 基于RBF神经网络的状态反馈控制学习算法的改进及研究

4.4 基于RBF神经网络的状态反馈控制系统仿真

5 结论与展望

5.1 本文的主要工作与结论

5.2 展望

致谢

攻读硕士期间主要成果

参考文献