基于极限学习机的非线性自适应逆控制研究

基于极限学习机的非线性自适应逆控制研究

ID:34056715

大小:6.73 MB

页数:129页

时间:2019-03-03

基于极限学习机的非线性自适应逆控制研究_第1页
基于极限学习机的非线性自适应逆控制研究_第2页
基于极限学习机的非线性自适应逆控制研究_第3页
基于极限学习机的非线性自适应逆控制研究_第4页
基于极限学习机的非线性自适应逆控制研究_第5页
资源描述:

《基于极限学习机的非线性自适应逆控制研究》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、AdissenationsubmittedtoZhengzhouUniVers时forthede铲eeOfDoctorResearchonNonlinearAdaptiVeInVerseContl’olBased0nExtremeLearningMachineByW抽gW.anZllaoSuperVisor:Prof、7‰gJieControlScienceandEngineeringSch001ofElectricalEngineeringNovember2014学位论文原创性声明i啪删咖舢删棚嗍删删舢Y2塞3,曼留本人郑重声明:所呈交的学位论文,是本人在导师的指

2、导下,独立进行研究所取得的成果。除文中已经注明引用的内容外,本论文不包含任何其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集体,均己在文中以明确方式标明。本声明的法律责任由本人承担。学位论文作者:弦乃毽/日期.加吁年f2月弓日学位论文使用授权声明本人在导师指导下完成的论文及相关的职务作品,知识产权归属郑州大学。根据郑州大学有关保留、使用学位论文的规定,同意学校保留或向国家有关部门或机构送交论文的复印件和电子版,允许论文被查阅和借阅;本人授权郑州大学可以将本学位论文的全部或部分编入有关数据库进行检索,可以采用影印、缩印或者其他复制手段保存论

3、文和汇编本学位论文。本人离校后发表、使用学位论文或与该学位论文直接相关的学术论文或成果时,第一署名单位仍然为郑州大学。保密论文在解密后应遵守此规定。⋯一:≯乃召日期.加圩年7乙月乡曰摘要非线性自适应逆控制是利用非线性信号处理技术解决非线性系统控制问题的一种很新颖的方法,针对它的研究具有重大的理论和实用意义。非线性自适应滤波技术是非线性自适应逆控制系统设计和应用的基础,针对当前非线性自适应滤波器采用梯度下降算法所带来的收敛速度慢,容易陷入局部极点的缺陷,本文提出并推导了限定记忆极限学习机算法,该算法不仅能够避免梯度下降算法的缺陷而且能够克服“数据饱和”问题,是一种优秀

4、的非线性对象建模和逆建模方法。在采用限定记忆极限学习机算法的自适应滤波器的基础上,针对一般的非线性系统,本文设计了两种不同的自适应逆控制方案,为非线性自适应逆控制技术的完善和发展提供了新的思路。本论文主要进行了以下研究:1)为克服构成非线性自适应滤波器的动态神经网络收敛速度慢、容易陷入局部极点和对学习因子敏感的缺点,基于离线批量极限学习机算法,推导了极限学习机的在线递推学习算法。为解决极限学习机的在线递推学习算法存在的“数据饱和”问题,提出并推导了针对限定个数学习样本的限定记忆极限学习机算法。这种算法能够在增加新采样数据信息的同时,删除旧采样数据信息,避免出现“数据

5、饱和”,从而提高了自适应滤波器的适应性和逼近精度,能够快速而且精确地逼近非线性时变对象的模型和逆模型。2)为解决极限学习机算法中求解逆矩阵时遇到的“病态矩阵”问题,提出对极限学习机中的预设参数进行优化选择。在分析研究鱼群优化算法和差分进化优化算法的基础卜.,提出了一种新的鱼群一差分进化混合优化算法,这种混合优化算法通过在学习过程中共享寻优过程中的当前最优信息,可以有效避免寻优算法早熟收敛,从而改善寻优结果。将所得的鱼群一差分进化混合优化算法应用于极限学习机预设参数优化选择,不仅有效避免“病态矩阵”问题,而且显著提高极限学习机的学习精度和泛化性能。31针对一般非线性对

6、象,研发了具有典型结构的RMELM.BPTM自适应逆控制方法。在该方法中,首先采用RMELM算法在线辨识被控对象模型,在此基础上利用BPTM方法在线学习获得自适应逆控制器和扰动消除控制器以分别实现被控对象动态响应控制和扰动消除控制。仿真结果显示,采用I摘要这种方法设计的自适应逆控制系统由于动态特性控制过程和扰动消除控制过程相互独立,都能达到最优而不岿在两者之间进行折衷,因而控制系统不但具有良好的设定值跟踪性能和鲁棒性能,而且具有良好的扰动消除能力。4)基于RMELM算法和FEL算法,提出一种非线性RMELM.FEL自适应逆控制方法。该方法中,反馈控制器采用传统的PD

7、控制器,用来保证系统的稳定性和抑制扰动;前馈控制器由RMELM训练动态神经网络逼近被控对象的逆模型获得,实施自适应逆控制以提高系统的控制精度。在这种控制结构中,RMELM直接采用被控对象的输入信号作为学习信号。仿真结果表明,RMELM.FEL自适应逆控制系统具有良好的设定值跟踪性能和对被控对象参数变化的鲁棒性能。。5)将本文提出的RMELM.BPTM自适应逆控制方法应用于汽轮机转速控制系统,得到了一种新颖的汽轮机转速自适应逆控制系统。相比于常规的汽轮机转速控制方案,本文所提方案不仅转速指令跟踪性能更优,而且针对外部的电网负荷扰动,具有良好的抗干扰能力。关键词:限

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。