基于时变神经网络的非线性时变系统迭代学习辨识与控制

《基于时变神经网络的非线性时变系统迭代学习辨识与控制》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、浙江工业大学硕士学位论文基于时变神经网络的非线性时变系统迭代学习辨识与控制作者姓名：何海港指导教师：孙明轩教授浙江工业大学信息工程学院2014年5月fIllllllllllUJIIfllUIIfY2620640DissertationSubmittedtoZhejiangUniversityofTechnologyfortheDegreeofMasterTIME—VARYINGNEURALNETWoRKBASEDITERATIVELEARNINGIDENTIFICATIoNANDCoNTRoLoFTIME．VARYINGNONLINEARSYSTEMSCandidate：Haiga

2、ngHeAdvisor：Prof．MingxuanSunCollegeofInformationEngineeringZhejiangUniversityofTechnologyMay2014浙江工业大学学位论文原创性声明本人郑重声明：所提交的学位论文是本人在导师的指导下，独立进行研究工作所取得的研究成果。除文中已经加以标注引用的内容外，本论文不包含其他个人或集体已经发表或撰写过的研究成果，也不含为获得浙江工业大学或其它教育机构的学位证书而使用过的材料。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。本人承担本声明的法律责任。作者签名：俪洫．熬目期：驯钞年乡月17日

3、学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并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。本人授权浙江工业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、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在年解密后适用本授权书。2、不保密留。(请在以上相应方框内打“√”)日期：刀，睥j月，7日E漕＼铲l玛晦王}

4、7El搭气缘哪可以t)名名奎誊剖蜊怍导浙江工业大学硕士学位论文基于时变神经网络的非线性时变系统迭代学习辨识与控制摘要神经网络凭借自身内在的强逼近能力，广泛应用于

5、非线性系统辨识与控制。常规神经网络权重往往为常值，采用积分学习律调整网络权值。时变神经网络拥有时变权值，当网络结构确定后，网络权重的训练便成为时变神经网络能否成功应用的关键。迭代学习控制与重复控制在一定条件下能够实现期望轨迹的精确跟踪。借鉴迭代学习思想训练时变神经网络权值成为一种可行方案。非线性时变系统具有复杂的非线性时变动态特性，针对这类系统的辨识与控制的研究成果还不多见。本文给出时变RBF网络与时变动态神经网络，借助迭代学习思想沿重复轴训练网络权值。基于给出的两类时变神经网络完成非线性时变系统辨识及自适应迭代学习控制。本文的主要研究工作和取得的成果如下：1．在常规RBF网络基础

6、上，给出时变RBF网络。并将两种不同连接权值的RBF网络分别用于非线性时变系统辨识。考虑逼近误差存在的情形，采用带死区修正的积分学习律调整常规RBF网络权值：借助迭代学习思想，根据带死区修正的半饱和迭代学习算法训练时变RBF网络权值。理论分析了辨识算法的有效性。2．借鉴常规高阶动态神经网络连接形式，网络连接权取时变值时构成时变动态神经网络。分别基于常规动态神经网络与时变动态神经网络辨识非线性时变系统。最dx-C乘结合死区修正策略用于更新常规网络权值；时变网络权值调整采用死区修正的迭代学习最小二乘及其改进算法。通过引入时变向量证明了辨识算法使得辨识误差渐近收敛至死区界定的邻域内。3．

7、将重复思想引入RBF网络连接权值的变化中，给出周期RBF网络。通过在辨识模型中加入逼近误差补偿措施，从而实现非线性周期系统的完全辨识。采用积分学习律更新RBF网络定常权值；依据系统重复运行特性，利用全饱和重复学习算法训练周期RBF网络的周期时变权值。4．常规高阶动态神经网络连接权值替换为周期时变权值后，形成周期动态神经网络。浙江工业大学硕士学位论文为达到非线性周期系统完全辨识效果，将逼近误差上界估值加入基于动态神经网络的辨识模型用以抵消逼近误差影响。最小二乘积分学习律用来调整定常权值；采用最小二乘重复学习算法实现周期网络权值的训练。通过引入周期向量，分析了最小二乘重复学习算法的有效

8、性。5．针对一类非线性时变系统，利用时变RBF网络逼近控制器设计中整体未知不确定非线性部分，同时采用白适应学习律估计逼近误差上界。为实现完全跟踪任务，控制器中嵌入逼近误差补偿措施。理论分析保证闭环系统所有信号有界的同时，实现了跟踪误差及其各阶导数沿迭代轴渐近收敛至零。6．基于时变动态神经网络直接设计自适应迭代学习控制器，从而实现一类非线性时变系统的有效跟踪控制。为处理逼近误差，采用带死区修正的迭代学习最小二乘算法训练网络权值。借助Lyapunov—like方法保证闭环