基于神经元网络的多模型自适应控制方法研究

基于BP、RBF和动态神经元网络对复杂非线性系统建模，将非线性系统参数、结构和动态性能的不确定性转化成神经元网络权值和结构的不确定性。针对不同权值和结构的神经元网络，对非线性系统建立多个模型，覆盖其模型和动态性能的不确定性，进而建立多模型自适应控制器。考虑不同输入输出方程、状态方程描述的非线性系统，基于不同类型的神经元网络构成多模型自适应控制器，并给出控制器的性能分析结果和稳定性、收敛性证明。多模型自适应控制器将极大地改善神经元网络自适应控制系统的瞬态响应，提高含跳变参数非线性自适应控制系统的控制品质，为非线性系统多模型自适应控制的研究提供普适性结果。本项目属于应用基础研究，项目的研究将对非线性系统自适应控制、神经元网络自适应控制的发展起到极大的推动作用，通过神经元网络将线性系统和非线性系统的多模型自适应控制有机的结合起来，为多模型自适应控制的实际应用提供坚实的理论基础。

多模型自适应控制，主要是利用多个模型覆盖被控对象的不确定性，进而基于切换机制，构成多模型控制器。多模型自适应控制，对复杂系统采取分而治之的策略，许多已有的控制器设计方案仍然可以被采用，为工程师提供了一个行之有效的控制器设计方法。此研究领域在线性系统和简单非线性系统已将取得了很好的研究成果，并有很好的应用，但对于复杂非线性系统的研究仍然处于起步阶段。基于神经元网络，将多模型自适应控制从线性系统推广到非线性系统。通过神经元网络，将非线性系统模型参数或结构的不确定性转化成神经元网络结构或权值的不确定性，进而基于多个神经元网络模型和切换机制，够成非线性系统的多模型自适应控制器。报告中对基于神经元网络的多种NARMA模型的使用范围和模型精度进行了对比分析；针对仿射非线性系统和由NARMA模型描述的非线性系统，通过BP神经元网络、模糊神经元网络和动态神经元网络建立多个模型，覆盖非线性系统模型的不确定性，并基于指标切换函数，建立多模型自适应控制器，并给出严格地稳定性证明；通过评判神经元网络和执行神经元网络构成非线性系统的自适应动态规划控制器，并在此基础上构成多设定值优化控制器，减少超调，提高控制品质；基于Lyapunov函数和线性矩阵不等式研究了多模型自适应控制系统和切换控制器的稳定性和鲁棒性；将研究的成果应用到冶金生产过程中高炉炼铁的布料过程中，结合不同料面对应的布料矩阵和不同的聚类方法，给出高炉布料的多模型自适应控制策略；将研究成果应用到板球系统的位置控制、三容水箱的液位控制和电梯群控的控制器设计当中，取得了良好的控制效果。本项目的研究，为非线性系统的自适应控制提供了一种新的、有效的控制方法，将非线性系统的参数不确定转换成神经元网络的权值的不确定性，进而线性系统多模型自适应控制中的很多控制器设计方法和稳定性分析方法仍然可以被推广到非线性系统当中，为解决非线性系统的有效控制问题提供了一种新的途径。同时本项研究已经在实验室的典型控制对象和冶金工业对象当中都已经有了有效地应用，且效果明显。本项研究成果在未来将有很广泛的实际应用价值。

内容获取失败，请点击重试