基于神经网络的通用非线性神经自适应控制研究

《基于神经网络的通用非线性神经自适应控制研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于神经网络的通用非线性神经自适应控制研究　　摘要：该文提出了一个适用于非线性不确定系统的通用的自适应神经网络控制方案，其中只有一个神经网络同时作为控制器和识别器，控制器采用广义的反向传播学习算法（GBP）作为控制器学习算法，实现了学习误差与控制误差的统一，控制器的学习过程就是控制规律控制更新算法的更新过程，不需要额外的控制算法。该控制方案算法简单，控制速度快，实时性好，是一种高效的非线性神经网络控制方案。　　关键词：神经网络；非线性；控制　　中图分类号：TP3文献标识码：A文章编号：1009-3044（2015）27-0139-03　　Abstract：Inthispaper，one

2、foruncertainnonlinearsystemsadaptiveneuralnetworkcontrolprogramcommon，ofwhichonlyaneuralnetworkcontrollerandatthesametimeastheidentifier，thecontrollerusesthegeneralizedbackpropagationlearningalgorithm（GBP）ascontrollerslearningalgorithmtoachieveaunifiedlearningerrorandcontrolerrorlearningprocessc

3、ontrolleristocontrollawtocontrolupdatealgorithmupdateprocess，noadditionalcontrolalgorithms.Thecontrolschemeissimplealgorithm，controlspeed，real-time，isahighlynon-linearneuralnetworkcontrolscheme.5　　Keywords：neuralnetwork；nonlinear；control　　神经网络的应用相当广泛，一般常用于优化、决策、分类问题以及预测等方面。因为神经网络是一种具利用大量的运算单元（神经

4、元），以平行且分散的方式进行运算，具有学习、回想与归纳推演的能力，所以神经网络技术在非线性不确定系统的识别和控制方面得到应用。　　根据神经网络的特点，提出来一种对传统神经网络改进的结构，通用非线性神经自适应控制可以在传统的神经网络基础上进行了改进，不需要独立的识别器，集成了识别器和控制器，减少了控制误差，系统的闭环控制稳定系数提高，控制器采用了广义的反向传播学习方法，使神传统经网络的算法和处理速度得到提升。　　1传统神经网络BP算法与广义反传控制　　神经网络是一种并行分布处理数据的处理器，具有适应环境变化对突发变化的情况可以随机变化。此外，在一个动态环境中，突触权重可以根据自身的设计进

5、行改变。多样化的神经网络的能力都来自其适应能力的突触权重，如学习能力，识别能力的自适应控制能力[1]。神经网络的学习算法决定着突触权值的学习适应能力，神经网络较为传统的算法就是BP算法，BP算法的识别过程如图1所示。　　所以BP神经网络的学习过程是对神经元的修正和积累，可以将神经网络与未知系统出的误差降到最低，从而对数据的处理近似到精确值。　　广义反传控制是对BP神经网络的算法的一个扩展，对传统的BP神经网络算法中的非线性未知系统包含在误差反传过程中，广义反传算法5GBP可以自适应控制，在控制过程中不需要传统的识别功能，在控制过程即可对其识别，减少了单独识别过程，广义反传控制过程如图2

6、所示。　　2广义反传控制算法　　为简化起见，此处只考虑单输入单输出系统，相应的情况很容易扩展到多输入多输出系统。对于公式（8）式，表示我们把被控的未知系统看成是一个复杂的单神经元，权值固定为1：对于GBPNNC隐藏层的神经元，局域梯度的计算规则和突触权值的更新规则与经典的BP学习算法是一致的，为了保证输入至未知系统的输入的有界性，我们给出了适用于非线性系统的GBP控制律，由以下的规则构成：　　规则1：由GBPNNC和被控系统构成的整个系统可以看成一个整体的神经网络，被控系统被看成为一个复杂神经元，被当做整个神经网络的输出层，整个神经网络由GBPNNC以及未知系统神经元构成，GBPNNC

7、的突触权值更新规则遵守GBP算法，即GBPNNC的突触权值更新规则由式公式（3））确定，当神经元为GBPNNC输出层神经元时，局域梯度公式（3）按公式（8）计算，其他情况按公式（5）计算[3]。　　3GBP控制方案的收敛性与稳定性分析　　GBP控制方案是基于GBP学习算法的，从更新规则（3.3）可以看出，为了保证控制方案的收敛性和稳定性，合适的学习率是必需的。本节将基于Lyapunov函数方法导出一种自适应的学习率。　　4仿真与结果5　　GBP