英语论文总结2.pptVIP

主要内容 摘要 离散状态空间形式的神经网络模型 基于神经网络内模控制的观测器 未知分布式固化过程的NN IMC 结论 摘要 神经网络内部模型控制IMC 对象：未知的非仿射离散时间多输入多输出过程 应用条件：非线性状态空间形式，内模不匹配，干扰存在 基于未知非线性MIMO状态空间过程的神经网络状态空间模型，近似的内模和去耦控制器被得出。 因为并不是所有的状态都能得到，基于扩展卡尔曼观测器的NN模型用于估计非线性过程。 提出的NIMC能用于开环不稳定过程，那么，应用到闭环稳定性分析也可以。 应用：分布式热处理过程 证明了该方法对抑制非线性耦合和外部干扰的有效性 应用到未知的非仿射非线性离散时间MIMO系统状态空间过程的可行性。 一 引言 许多的非线性MIMO过程都被以状态空间形式建模，由于状态空间模型有清晰地物理意义，更能代表MIMO系统。 状态空间模型的优点：相比输入输出模型，更容易融合先前的物理知识到一个更小的回归量中。 输入输出模型不充分的情况：分布式的参数系统DPS（由于有限测量不能提供标准的空间信息），比如工业热处理过程 以前提出的NN IMC 方法不能直接应用到这样的MIMO状态空间模型中的原因如下： （1）在状态空间模型中，并不是所有的状态变量都可以得到，并且通常需要知道非线性状态观测器。 （2）对于未知的非线性离散时间系统，由于需要知道针对状态估计的准确数学模型和针对线性过程应用的分散原理不适合非线性过程，这两个原因使得状态观测器设计不易得到。 （3）因为耦合效应，NN IMC针对非线性，不确定性的MIMO离散时间系统的实现更复杂。 本文提出的思想：针对未知的非仿射离散时间多输入多输出过程，在模型不匹配和干扰的情况下,NN IMC 以状态空间形式被提出。 主要的贡献： （1）针对带有不确定性的未知非仿射MIMO系统，NN IMC被发展。 （2）基于未知的非线性系统的NN状态空间模型，EKO用于状态估计。 (3)不需要逆过程动力学的学习 (4)非线性IMC的复杂性导致闭环稳定性很难分析，带有EKO的NN IMC可分析。 IMC 常见要求：提出的NN IMC移除了控制过程必须开环的限制。 二 离散状态空间形式的神经网络模型 一般MIMO非线性离散系统 通过NN，为未知的状态空间非线性系统（2.1）建模，必须得到系统的状态。 状态空间系统的状态获得方法： （1）用足够的传感器获得状态测量 （2）通过离线测量信号处理技术，从输入和输出提取状态值 （3）从参考系统仿真器中得到状态值。 （4）利用光谱方法来建立一个非线性DPS低阶状态空间模型,，然后用神经网络模型建模低阶状态空间模型。　　 上述方法得到参数后，未知非线性状态空间系统能够被NN逼近。形式如（2.2） （2.2）系统能够使用静态反向传播训练，不用使用梯度下降算法（计算更密集）。 为找到合适的模型，由于测量噪声，过度拟合和低度拟合肯定考虑。 本研究中，通过比较带有训练集和包含不用于训练的测试集不同的建模结构的均方误差根和比较观测输出预测检测图两种方式，NN模型的结构避免了上述考虑的问题。 式（2.2）有稳定的零动力学，控制规则被2.3发展，如果干扰存在，（2.2）就可变为（2.4） 其中，Wk是干扰动量。 更一般的带有状态变量和输入变量的输入输出MIMO非线性离散系统如（2.5） 其中， 包含干扰向量和NN逼近误差 系统（2.3）的假设可用于逼近的NN去耦过程。 泰勒展开： 和 被当做无模式的动力学。 忽略 ，系统为（2.8）. 和 成线性关系，非线性控制规则直接能够被决定。 在随后的鲁棒控制和平稳性分析上获得. 三 NN-IMC观测器设计 针对非线性MIMO离散时间状态空间过程，NN-IMC的非线性观测器被提出。 主要分为三部分：神经网络近似解耦控制：不确定性的补偿，非线性状态观测器。 （1） 带有EKO的NN-IMC 解耦控制控制 代表EKO的 的状态观测 （2）基于不确定补偿的MIMO的NN-IMC 带有EKO的MIMO内模 和鲁棒性过滤器 用于减少不确定。 结论：接近误差Rp 和干扰能够通过合适的 滤波器被减少到某个程度 （3）平稳的鲁棒性 非线性MIMO，带有