资源描述:
《基于levenberg2marquardt算法的神经网络监督控制》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库。
1、第36卷第5期西安交通大学学报Vol.36№52002年5月JOURNALOFXI′ANJIAOTONGUNIVERSITYMay2002文章编号:0253-987X(2002)0520523205基于Levenberg2Marquardt算法的神经网络监督控制121赵弘,周瑞祥,林廷圻(1.西安交通大学机械工程学院,710049,西安;2.西安空军工程大学工程学院)摘要:提出了基于LevenbergnMarquardt(LnM)算法的前向多层神经网络在线监督的控制方法,其算法是梯度下降法与高斯n牛顿法的结合.对于训练次数及准确度,LnM算法明显优于共轭梯度法及变学习率的BP(BackPr
2、opagation)算法,适用于在线学习与控制.因此,利用LnM算法的特点进行在线训练神经网络,以实现实时非线性控制.仿真结果表明,该控制方法优于常规控制算法,明显改善了在未知负载扰动时,伺服系统的跟踪性能,显著地降低了跟踪误差,具有很强的抗干扰能力.关键词:神经网络;监督控制;电液位置伺服系统中图分类号:TH137文献标识码:ANeuralNetworkSupervisedControlBasedonLevenberg2MarquardtAlgorithm121ZhaoHong,ZhouRuixiang,LinTingqi(1.SchoolofMechanicalEngineering,
3、Xi′anJiaotongUniversity,Xi′an710049,China;2.TheEngineeringInstituteoftheAirforceEngineeringUniversity)Abstract:AmultilayerneuralnetworksupervisedonnlinecontrolstrategybasedonLevenberg2Mar2quardttrainingalgorithmisproposedforthetrackingcontrolproblemoftheelectronhydraulicposi2tionservosystemssubjec
4、tedtoconstantandtimenvaryingexternalloaddisturbances.TheLevenbergnMarquardtalgorithmisthecombinationofthesteepestdecentalgorithmwiththeGaussnNewtonalgorithm.Comparedwithaconjugategradientalgorithmandavariablelearningratealgorithm,theLevenbergnMarquardtalgorithmismuchmoreefficientthaneitherofthemon
5、thetrainingstepsandaccuracy.Therefore,itcanbeappliedtoonlinecontrol.Theoutputofthesystemsuccessfullytrackedthespecifiedsinusoidalafterarelativelyshortonlinetrainingperiod.Thecontrolstrategyisusedtoadapttouncertaintiesofdisturbancesandlearnstheirinherentnonlinearities.Simulationresultsillus2trateth
6、ataneurocontrollerusedinsupervisedcontrolschemescanresultingoodrobustnessandtrack2ingproperty.Keywords:neuralnetwork;electro2hydraulicpositionservosystems;supervisedcontrol电液伺服系统是一个典型的非线性系统,而在许多电液位置系统中都存在着外部的负载干扰,这收稿日期:2001208227.作者简介:赵弘(1974~),女,博士生;林廷圻(联系人),男,教授,博士生导师.©1994-2008ChinaAcademicJour
7、nalElectronicPublishingHouse.Allrightsreserved.http://www.cnki.net524西安交通大学学报第36卷些严重影响控制系统性能的干扰,常常是不确定和存在着一些不足,主要是收敛速度很慢,往往收敛于未知的,使得常规的控制算法受到了一定的局限.局部极小点,其数值稳定性差,学习率、动量项系数神经网络具有高度的自学习、自组织和自适应和初始权值等参数难以调整,不适于在线学习及