[自动化学院本科生学位论文格式印刷模.docVIP

摘 要 基于神经网络的模型参考自适应控制既具有神经网络的自适应和自学习能力，又提高了控制的鲁棒性和实时性，因此得到了广泛应用并取得了不少研究成果。但由于传统神经网络控制器采用BP学习算法，存在着收敛速度慢，易陷入局部极小等问题，影响了该模型的进一步应用。基于此，本文对传统BP学习算法进行改进，并将此应用到模型参考自适应控制神经网络控制器的设计中，和数字锁相环控制组成复合控制，对感应加热电源进行控制，仿真结果表明该算法是十分有效的。主要研究内容如下： (1) 提出了改进的分层递阶BP(HBP)和改进的双向权值调整两种学习算法。HBP网络结构被划分为多个单独的BP网络，每个BP网络分别用单独的学习速率和误差来训练权值。通过应用HBP算法在非线性系统辨识中进行仿真，证明了该方法的有效性和可行性。改进的双向权值调整学习算法是单隐层神经网络结构，将神经网络权值的调整分成两个阶段：正向阶段调整隐含层到输出层的权值，反向阶段调整输入层到隐含层的权值。这样构建的网络结构简单，弥补了传统BP算法的不足。 (2) 基于改进的HBP算法，提出了应用HBP算法训练RBF网络连接权的改进RBF神经网络，仿真结果表明该算法能有效提高了RBF网络的性能和训练速率。 (3) 通过采用改进双向权值调整学习的BP学习算法完成对被控对象的辨识，(1)“摘要”是摘要部分的标题，不可省略。 标题“摘要”选用模板中的