自适应神经网络在迭代学习和分散化控制中的应用与综合

摘要

本文基于自适应神经网络控制理论,分别对基于非线性参数化可变小波神经网络的自适应迭代学习控制问题,一类带有时变时滞的非线性纯反馈关联大系统的自适应分散化神经网络控制问题和一类带有输入时滞和时变时滞的非线性关联大系统的自适应神经网络控制问题做了研究。本文的贡献主要有一下几点。
　　首先,基于非线性参数化可变小波神经网络,研究一类未知非线性系统的自适应学习控制问题,设计了一类鲁棒自适应非线性参数化神经网络控制器。其中,利用可变小波神经网络对未知的非线性函数进行估计,在可变小波神经网络中神经网络节点的数目随着迭代次数增加逐渐增加。通过修正几个关于非线性参数化可变神经网络的基本假设,利用Lyapunov稳定性定理,在神经网络结构发生变化的情况下,克服了设计可变小波神经网络中非线性参数自适应律的困难并证明了其跟踪误差的收敛性。同时,所有的闭环系统的所有信号都是有界的。最后,通过计算机仿真例子验证了方法的有效性。
　　其次,对于一类带有未知时变时滞输出耦合的纯反馈关联系统,设计一类自适应分散化神经网络控制器。利用隐函数定理和均值定理,来自纯反馈结构的困难得到解决。在一个更加一般的假设下,即非线性关联项的上下边界可以假定为一系列关于单个系统输出的未知非线性函数的和,通过引入正切函数,未知关联项得到了有效处理。与传统的Backstepping方法相比,为了避免对虚拟控制的反复求导,引入了动态面控制方法。除此之外,最小学习参数技术成功的推广到控制器设计过程中,降低了系统计算量。通过构造一个适当的Lyapunov-Krasovskii泛函,证明了闭环系统所有信号半全局一致最终有界。最后,利用计算机仿真验证了方法的有效性。
　　最后,针对一类关联大系统的输入时滞问题,设计一类自适应神经网络控制器。引入动态面控制方法消除了传统Backstepping设计方法的导数爆炸问题,简化设计控制器的复杂性。同时应用最小学习参数技巧使待估计参数数目减少,进一步减少了计算负担。通过构造一个合适的输入时滞补偿控制器,关联大系统的输入时滞问题得到解决。在一个新型的Lyapunov-Krasovskii泛函下,闭环系统的所有信号均为半全局一致最终有界。最后,给出了一个仿真算验证了该设计方法的有效性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1自适应神经网络迭代学习控制理论的研究现状

1.2 关联大系统分散化自适应神经网络控制理论研究现状

1.3本文的主要工作和内容安排

第二章 非线性参数化可变小波神经网络鲁棒自适应迭代学习控制

2.1引言

2.2 问题描述及基本假设

2.3 非线性参数化可变小波神经网络

2.4 自适应神经网络迭代学习控制器设计及收敛性分析

2.5 扩展到一般严格反馈系统

2.6数值仿真

2.7小结

第三章 时变时滞纯反馈关联大系统的分散化自适应神经网络控制

3.1 引言

3.2 问题描述与基本假设

3.3 关联大系统分散化自适应神经网络控制

3.4 数值仿真

3.5 本章小结

第四章 带有输入时滞的关联大系统的分散化自适应神经网络控制

4.1 引言

4.2 问题描述与基本假设

4.3 关联大系统的分散化自适应神经网络控制

4.4 数值仿真

4.5 本章小结

第五章 结束语

致谢

参考文献

研究成果