基于神经网络的非线性控制研究

《基于神经网络的非线性控制研究》由会员分享，可在线阅读，更多相关《基于神经网络的非线性控制研究（153页珍藏版）》请在金锄头文库上搜索。

1、北京航空航天大学学位论文 摘 要 神经网 络 ( N e u r a l N e t w o r k s , N N ) 控制作为一种 全新的 智能 控制 方 法， 为 解决高 度 不确定和严重非线性的复杂动态系统的控制问 题开辟了一条新的途径。 本论文致力于 研 究基于神经网络的非线性系统控制方法， 主要侧重于基于神经网络优化功能的拟人智能 控制和神经网络自适应控制。 拟人智能控制 ( 简称拟人控制) 是模仿人解决问题的方法， 采用广义规约分解复杂 问题， 通过分析被控对象的非线性物理本质得到对象的定性控制律。 拟人智能控制律定 性到定量的转化是拟人智能控制理论进一步发展所面临急需解决的问题

2、。 在拟 人控制理论 框架下， 提出 一 种基于H o p f i e l d 神经网 络( H N N ) 的 拟人 控制 方 法。 该方法以待求控制参数为网络的状态，将控制目 标与 FI N N 的能量函数联系起来构造 H N N ， 利用H N N自 身的收敛性进行控制参数的快速定量。 将该方法应用于倒立摆系统 中 广 侮 真 和 襄 验 结 果 均 表 明 该 方 法 有 效 。 基于H N N的定量化方法有时会收敛到局部极小解或非法解，因此提出两种改进的 FI N N定量化方法: ( 1 ) 基于混沌神经网络的拟人智能控制方法。 在H N N中引入渐变的 混沌噪声， 使得网络在初始段

3、具有混沌的遍历性可以有效的逃离局部极小解， 最终随着 馄沌噪声的衰减网络快速的收敛到具有全局性质的解。 对二级倒立摆的仿真和实验均表 明该方法有效，且性能明显优于单纯的H N N方法，成功找到有效控制参数的比例也由 原来的5 4 %提高到7 9 %. ( 2 ) 基于H N N和G A棍合策略的拟人智能控制方法。 充分利 用G A的隐含并行性和全局解空间搜索能力以及H N N的快速优化能力，首先利用加入 控制经验的改进G A进行全局搜索以进入到全局解的邻域，然后采用H N N进行快速的 局部搜索。将该方法应用于二级倒立摆系统， 仿真和实验均表明该方法有效， 而且控制 效果明显优于单纯的H N

4、N和G A方法，成功找到合适控制参数的概率可达 1 0 0 %0 由于拟人控制律定量化时需要人工调试或者需要根据对象的非线性数学模型仿真， 限制了拟人控制的应用; 而虚拟样机技术能够根据实际系统建造仿真虚拟样机， 并以此 来进行各种设计。因此， 指出拟人控制发展的新方向基于虚拟样机技术的拟人智能 控制框架。从被控对象的物理模型出发拟人形成定性控制律;然后依靠虚拟样机技术建 立被控对象的虚拟样机模型， 并依此进行控制律的离线定量化。该控制框架避免了直接 北京航空航天大学学位论文 对实际物理对象的调试， 摆脱了直接建立对象数学模型的不足，使得拟人控制的适用范 围更加广阔。 将该控制框架应用于倒立摆

5、系统， 仿真和实验结果均表明该理论框架有效。 N N自 适应控制是非线性控制发展的一个重要方向，论文对以下两种利用输出反馈 实现的N N自 适应控制方案进行了研究。这里的输出反馈控制不需要构造状态观测器， 只要求系统的相对阶已知。( 1 )基于逆动态的N N自 适应控制方案。采用两个N N实现 对象的逆特性一 一 一 N N1 离线学习对象的逆，N N 2 在线自适应补偿N N1 的逆误差，在线 学习 规律由L y a p u n o v 稳定性方法得到， 保证了 系统的稳定性。带推力矢量的 敏 捷性导 弹，飞行攻角范围增大，系统的非线性特性更加明显，系统模型参数的变化更加剧烈， 因此敏捷性导

6、弹的控制律设计必须考虑控制系统的自 适应性和鲁棒性。 将以上方案应用 于敏捷性导弹的控制中， 数字仿真表明该控制方案有效。另外， N N 1 对导弹逆动态的学 习是通过对导弹的“ 静态” 特性 ( 而不是动态特性) 进行学习，即通过学习气动参数的 逆特性， 并通过适当变化来实现导弹的逆。 这样不仅克服了直接学习逆动态的耗时和不 易完全覆盖包线的缺陷，同时也使得 N N1的规模大幅度减小，使得该控制方法适用于 全包线飞行控制设计。 ( 2 ) 增强现有线性控制器的N N自 适应控制方法。由于目 前绝大 多数非线性自 适应控制系统都采用了 “ 逆控制 +自 适应修正项”的结构，而现有控制 器的非自

7、 适应部分大都不是基于逆控制的， 因此研究了一种利用在线学习N N增强现有 线性控制器的自 适应控制方案，并将其应用于实际的道理摆系统中。 N N的在线补偿规 律由幼a p u n o v稳定性方法得到， 保证了 系统的稳定性， 可以 有效补偿模型参数不 确定 和未建模动态引起的控制偏差。该控制方法充分利用了已有的控制经验，尤其适用于具 有丰富控制经验的行业，且易于工程实现。将该方案应用于实际的小车倒立摆系统中， 数字仿真和实际实验结果均表明该方案有效。 本论文研究得到国家自 然科学基金( 项目 编号6 0 0 7 4 0 2 1 ) 和航空科学基金( 项目 编 号9 8 D 5 1 0 0

8、2 )的资助和支持。在此表示诚挚的感谢。 关键词:神经网 络 控制， 非 线性 系统， 智能 控制， 智能 优化， 拟人，自 适 应控制， 倒 立摆， 敏捷性导弹， H o p f i e l d 北京航空航天大学学位论文 ABS TRACT A s a n e w i n t e l l i g e n t c o n t r o l m e t h o d , n e u r a l n e t w o r k c o n t r o l t e c h n i q u e p r o v i d e s a p o t e n t i a l t o o l f o r s o l v

9、i n g t h e c o n t r o l p r o b l e m s o f h i g h l y u n c e rt a i n , c o m p l e x , n o n l i n e a r d y n a m i c a l s y s t e m s . T h i s d i s s e r t a t i o n a i m s t o r e s e a r c h n o n l i n e a r c o n t r o l s y s t e m s b a s e d o n n e u r a l n e t w o r k s , e s p

10、 e c i a l l y e m p h a s i z e s o n p e r s o n i f i e d i n t e l l i g e n t c o n t r o l m e t h o d s b a s e d o n o p t i m i z a t i o n c a p a b i l i t y o f n e u r a l n e t w o r k s a n d a d a p t i v e c o n t r o l m e t h o d s f o r n o n l i n e a r s y s t e m s b a s e d o

11、 n n e u r a l n e t w o r k s . 。JO 、 曰 盈 1 孟 口 一一 一 P e r s o n i f i e d i n t e l l i g e n t c o n t r o l m e a n s t o p e r s o n i f y , e x t e n d , a n d e x p a n d h u m a n i n t e l l i g e n c e . T h e b as i c i d e a s a n d r e d u c t i o n m e t h o d s o f p e r s o n i f i e

12、 d i n t e l l i g e n t c o n t r o l a r e i n t r o d u c e d . T h e w o r d s b as e d o n p h y s i c a l m o d e l a r e t o e m p h as i z e n o t d e p e n d i n g o n t r a d i t i o n a l m a t h e m a t i c a l m o d e l s . B y a n a l y z i n g p r a c t i c a l s y s t e m s b as e d

13、o n p e r s o n i f i e d i n t e l l i g e n t c o n t r o l , a s e r i e s o f q u a l i t a t i v e c o n t r o l l a w s c a n b e g o tt e n . H o w e v e r , h o w t o q u a n t i f y t h e q u a l i t a t i v e c o n t r o l l a w s h as b e c o m e t h e k e y p r o b l e m f o r d e v e l

14、o p in g a n d a p p l y i n g t h e p e r s o n i f ie d i n t e l l i g e n t c o n t r o l t h e o ry . A p e r s o n i f i e d i n t e l l i g e n t c o n t r o l m e t h o d b a s e d o n n e u r a l n e t w o r k s i s p r e s e n t e d , w h i c h c o m b i n e s t h e p e r s o n i f i e d c

15、 o n t r o l t h e o r y a n d t h e o p t i m i z a t i o n c a p a b i l i t y o f H o p f i e l d n e u r a l n e t w o r k s ( F I N N ) . T r e a t i n g t h e p a r a m e t e r s o f q u a l i t a t i v e c o n t r o l l a w s as s t a t e s o f H N N a n d t h e c o n t r o l o b j e c t as t

16、 h e e n e r g y f u n c t i o n o f H N N , t h e H N N f o r q u a n t i f y i n g i s c o n s t r u c t e d . A s a r e s u l t , w h e n t h e c o n s t r u c t e d H N N c o n v e r g e s t o s t a b l e s t a t e s , t h e s t a t e s o f H N N b e c o m e t h e o p t i m a l s o l u t i o n o f c o n t r o l p a r a m e t e r s . A p p l y i n g t h e p r o p o s e d m e t h o d t o i n v e rt e d p e n d u l u m