基于充分调整的RBF神经网络的远程网络控制器设计外文翻译.docVIP

毕业设计（论文）外文翻译 题目：Remote Network Controller Design Based on Fully Tuned RBF Neural Network 基于充分调整的RBF神经网络的远程网络控制器设计 Yun-an Hu, Jing Li, Bin Zuo Department of Control Engineering, Naval Aeronautical Engineering Institute, Yantai, 264001 Lijin 文摘φ和影响程度为σ。然后，设计了为了使控制包含时变延迟NCS的状态反馈控制,而且由李亚普诺夫稳定性理论有效地保证了闭环NCS的稳定性。最后,仿真结果表明该方法是非常有效的。 引言 网络控制系统(NCS)是由一系列通信网络连接而成的闭环控制系统,而不是传统的点到点的结构。NCS是一种水果组合的控制技术,一种计算机网络的通信科学[1-3]。目前,NCS已成为控制工程领域的热点。不同于传统的点对点的结构,NCS可以共享信息资源,减少的连接电路,也很容易被扩展、易养护、高性能和灵活等优点[4,5]。但NCS也有明显的缺点。由于NCS在数据传输时采用双工分时技术,只有当网络空闲时才能数据传输。因此,必然导致NCS网络延迟。另外,由于网络的载荷变化，导致网络延迟可能是随机而不确定的。因此,网络控制系统的分析与设计变得非常复杂。现在,设计一个满足含时变延迟控制的NCS已经是一个即将到来的任务。 基于网络通信的新型信息和控制系统已应用于复杂的工业控制领域,更延伸到武器系统,机器人工业、航空航天控制[5-7]。但大多数实际应用系统是广义不确定非线性系统。目前,NCS研究的重点是那些线性系统[1 - 3,8 – 13]。考虑一类广义不确非线性网络控制设备,本文采用完全调整的RBF NN来补偿它的非线性和广义不确定性。然后把状态反馈控制应用到控制含时变延迟的NCS中,并且由李亚普诺夫稳定性理论有效地保证了闭环NCS的稳定性。最后,仿真结果表明该方法是非常有效的。 理论基础神经网络自适应控制理论研究广义不确定非线性。首先,。是一个典型的局部逼近的网络。文献[14]提出了一种改进的。参考文献[14]参数调整的规则梯度优化。然而优化方法不能保证系统的稳定性15]。现在,非线性参数的不确定性,我们不仅可以调整中心值φσ。 假设，设为。如果,始终存在一个最佳的高斯基函数向量和最优权矩阵 ? (1) 这里, ，，i=1,2…l是最佳中心,l是一定量的隐层节点, ，i=1,2…l是最佳大小, 是RBF NN的输入,而是NN的结构误差。 如果是未知的,最优参数，，，不能在系统设计上获得,也就是最优参数只有分析价值,却不具有应用价值。在实际应用中, 最优参数，，，的估计值具有应用价值。我们把，，，分别定义为估计值。当然,那些估计值可以调节。最优值和估算值之间的差异,会影响控制系统。我们在完全调整的RBF NN中得出引理1。在引理中已拥有了在控制设计中去除的了自适应律的神经网络参数。 引理1[16]:,,,,i=1,2…l。完全调整的RBF NN的近似输出误差表示为 的上界为 基于补偿方法网络控制设计的完全调整的RBF NN 考虑以下多输入多输出不确定非线性系统 （2） 这里, ，，,分别定义为系统的状态变量,输出和输入。在实际系统中,使和,这里和是系统的名义项，和是不确定项,。广义不确定树NCS的结构描述如下 图1广义不确定树的结构 假设的的输入和输出通道是时变的,并满足。 然后,状态方程(2)可以被转化成 (3) 这里, 不确定性项是为了使广义不确定性的有效而引入的。 我们选择一个固定矩阵,即所有特征值小于零。对于任何选择的正对称矩阵Q,只有一个正对称矩阵P满足以下方程 (4) 然后把（4）代入（3）中得 (5) 根据引理4.2，参考在 [16] 中完全调整的RBF NN的应用,可以消除非线性项和不确定项的影响,尽管不确定项包括控制系统的输入u。把假设1中的（1）代入（5）得 (6) 控制输入为 (7) 这里, 从（19）中引入。表示了等效时滞的输入和输出通道。表示了延迟输入输出通道的远程控制器。线性系统可以描述如下 (8) 其次,对系统的稳定性(8)进行了探讨。选择的李亚普诺夫函数作为 (9) 这里，，，为设计参数。求V对时间的导数,我们有 (10) 把（8）代入（10）中得 (11) 远程控制器利用时滞状态反馈控制使控制为