基于自构建RBF神经网络的内模控制

摘要

针对复杂的非线性被控过程,本文提出一种基于自构建RBF神经网络的内模控制方法.该方法中,神经网络的自构建学习算法包括结构学习和参数学习.结构学习采用最近邻聚类法使网络能够自适应地在线增加和删减神经元以达到理想的网络结构.神经网络的参数学习采用梯度下降法.将该神经网络用于内模控制,使得辨识被控过程内部模型和控制器模型的神经网络的神经元个数可以根据激励强度动态改变,进而改善了控制系统的动态性能和鲁棒性.仿真结果表明了所提方法的有效性.