基于径向基函数网络的非线性系统自适应逆控制

《基于径向基函数网络的非线性系统自适应逆控制》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、原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，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。论文作者签名：圣查丝日期：盟璺垡关于学位论文使用授权的声明本人同意学校保留或向国家有关部门或机构送交论文的印刷件和电子版，允许论文被查阅和借阅；本人授权山东大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或其他复制手段保存论文和汇编本学位论文。(保密论文在解密后应遵守此规定)论文

2、作者签名：垂查丝导师签名：石五赵遗日期：殳≥。塞山东大学硕士学位论文摘要传统的控制和自适应控制采用的反馈控制方式是将输出和干扰同时反馈来提高系统性能和消除干扰，这样在两者之间只能折衷实现。而自适应逆控制需要很少的先验知识，不需要知道被控对象的数学模型，就可以设计出性能优良的自适应逆控制系统。自适应逆控制对对象动态响应的控制和消除扰动的控制是分别进行的，二者互不影响，这样就可以尽量提高系统动态性能和消除干扰。设计出的自适应逆控制系统，不仅可以得到好的动态响应，还可以使噪声和扰动减小到最小。神经网络由于具有逼近非线性对象的能力、并行分布处理、学习和适应、数据融合等特点，非常适

3、合于作为自适应控制中的建模工具。径向基函数神经网络是其中的一类非常有效的前馈网络，具有收敛速度快、逼近精度高、可避免局部最小等优越性。论文对RBF网络的各种学习算法进行了较系统的分析研究，RBF网络的隐层中心的选择是决定RBF网络性能的最重要的因素。首先对目前常用的RBF网络的隐层节点数的选择办法进行了分析，并指出它们的优点和不足。RBF网络的权值修正一般采用RLS方法，但是RLS方法依赖输入信号自相关矩阵的逆，这不仅可以导致大的计算量，而且还可以出现不稳定问题，从而使网络的性能下降，我们选用RPCL．LAF方法，并进行了仿真研究，验证了RPCL-LAF方法的有效性。在多

4、种控制方案中，￡-滤波算法能够适用于非线性系统，并对建模和逆建模精度要求不高，适合于本课题的被控对象，最后也进行了仿真实验研究。关键词：径向基网络；次胜者受罚竞争学习；8-滤波算法；自适应逆控制非线性系统山东大学硕士学位论文ABSTRACTTheconventionalfeedbackcontroltriedtoheightenthesystemperformanceandtocanceldisturbancesimultaneouslythroughfeedingbackoutputanddisturbance．Itcouldnotgettheoptimalsoluti

5、onsforcontrolperformanceanddisturbanceattenuationatthesametime．WeCanonlymakeatradeoffbetweenthem．HoweveradaptiveinversecontrolCalldealwiththetwoproblemsseparately,Itdoesn’tneedtoomuchpriorknowledge．Wecalldesignadaptiveinversecontrollerwithoutknowingplant'smathematicmodel．Inadaptiveinverse

6、controlsystems，thecontrolofplantdy‘namicresponseanddisturbance·cancelingdonotinteracteachother．WeCannotonlyobtaingooddynamicresponse,butalsomaketheinfluenceofnoiseanddisturbancetotheminimum．Neuralnetworkhasthecharacteristicofapproachinganynonlinearfunction；processingdatainparallelanddistr

7、ibution，learningandadapting．Itissuitablefuradaptiveinversecontr01．RadialBasisFunctionNeuralNetworkisaneffectivefeedforwardnetwork．Ithashighconvergencerateandhighapproachingprecision，andcallavoidlocaloptima，Systematicanalysisandresearcharemadetothevariouslearningmeth