基于粗糙-神经网络的非线性系统逆模型控制.docVIP

基于粗糙-神经网络的非线性系统逆模型控制.doc

  1. 1、本文档共9页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于粗糙-神经网络的非线性系统逆模型控制* 张腾飞1李云2210046; 2 南京邮电大学计算机技术研究所 中图分类号:TP18  文献标识码:A  国家标准学科分类代码:510.8010 Inverse model control methodology for nonlinear system based on rough set and neural network Zhang Tengfei1, Li Yun2 (1 College of Automation, Nanjing University of Posts and Telecommunications, Nanjing 210046, China; 2 Institute of Computer Technology, Nanjing University of Posts and Telecommunications, Nanjing 210046, China) Abstract:Rough control is a new intelligent control method that rose in recent years. As an exploration of rough control theory, the concept of rough rule inverse model is first put forward. The consistency and completeness of rough rule inverse model are analyzed, and a rough decision rule reasoning method based on radial basis function (RBF) neural network is introduced. On this basis, the rough-neural inverse model is presented. And then the identification of rough-neural inverse system, the control theory and method based on rough-neural inverse model are researched in detail. The feasibility of the proposed control method is demonstrated by simulation and experiment analysis. Key words:rough set; neural network; decision rule; inverse model; rough control 1 引  言 粗糙控制是在粗糙集理论的基础上发展起来的一种新的智能控制方法,粗糙集自动抽取控制规则的优点,使它在基于规则的控制中具有很大的发展潜力。粗糙控制和模糊控制的发展初期类似,在实际中有一些成功应用,但在理论上缺乏本质研究,还没有形成一个理论体系。而且从现有的文献来看,基本上都是基于粗糙集的控制规则提取或数据处理,没有充分发挥粗糙集方法作为粗糙控制器设计的优点。由于粗糙集理论还处在不断发展和完善的过程中,基于粗糙集的粗糙控制尚存在许多问题,因此,利用现有智能方法的优势互补对粗糙混合智能方法的任何探索尝试都将是非常重要和有益的[1]。 在控制理论中,通过反馈线性化将非线性系统变换为线性系统的思想是处理非线性最直接的思路[2]。逆系统方法是反馈线性化中一种比较形象直观且易于理解的方法,其基本思想是首先利用被控对象的逆系统将被控对象补偿成为具有线性传递关系的系统,即伪线性复合系统,然后再用线性系统的理论来完成这种系统的综合。 由于非线性系统千差万别,对非线性函数缺乏统一有效的求解方法,通常很难得到逆系统的精确解析表达式,因此,一般采用系统辨识建模的方法来构造(逼近)逆系统的表达式,即逆系统的非解析实现。神经网络以其自学习能力、逼近任意非线性函数的能力以及良好的容错性能在逆系统模型辨识和控制中受到了广泛的关注,取得了较多的研究成果,是目前最常用的逆系统方法[2]。但由于神经网络自身的高度非线性,一般神经网络的学习算法都比较慢,而且对于复杂系统,初始的训练样本往往存在着冗余和噪声,以致造成网络的结构庞大,训练困难,难以达到要求的精度,这些缺点在某种程度上也限制了神经网络逆系统的发展[2]。 本文利用粗糙集理论数据智能分析的优点,提出了一种基于粗糙集的粗糙规则逆模型,讨论了粗糙规则逆模型的实现方法。为补偿粗糙规则逆模型的完备性问题,根据神经网络较好的外推特性和泛化能力,在分析了径向

文档评论(0)

***** + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档