不確定离散系统的神经网络自适应控制方法研究.docxVIP

不确定离散系统的神经网络自适应控制方法研究关键次：不确定，离散系统，神经网络，自适应控制1? 引言在调节控制器时,首先要由系统输出反向传递到系统可控输入,才能运用一般的参数调节方法,但未知系统特性不可能事先精确预知,所以自适应控制理论在这个方向进展遇到障碍。而神经网络具有高度非线性映射能力和强大的学习适应能力以及特殊的分层结构,它与直接自适应控制方法的相结合可使问题得到解决。近年来,神经网络的稳定性获得广泛的关注[1],对于未知非线性系统,以神经网络为基础的控制技术已被认为是非常有实际意义。许多神经网络自适应控制中的研究已经运用在不确定非线性连续系统[2-4]。然而,由于在离散系统中存在一些困难,例如在反推设计的非因果的问题,在离散邻域的工作远少于连续邻域[5-7]。对于一类严格反馈系统来说,已经提出用离散系统的自适应反推算法解决上述问题。随后,基于神经网络和模糊逻辑系统的带有未知函数的非线性离散系统在自适应控制器设计上取得了一些显著的进展。但这些方法的主要缺点是[8],有太多的自适应参数需要进行调整,从而高阶系统中的学习时间往往是令人无法接受,并且控制器落实不可避免的要消耗大量时间。本文利用反推控制技术和神经网络逼近性原理设计了一类离散非线性系统的自适应控制器,提出的控制方法只需考虑较少的自适应参数,减少了计算量,最后的仿真结果说明了本文方法的有效性。2? 系统描述和观测器设计2.1? 非线性系统描述非严格反馈离散非线性系统描述为:其中:是状态向量,是控制输入,是系统输出,状态向量是不可测的,是未知的有界扰动,即:。本系统描述为一类非严格的离散非线性系统,可以采用一个一步神经网络观测器。假定1.期望的归迹是有界的,并且它未来的值是可用的。假定2. 未知光滑的函数是有界的,并且满足条件。控制目标是使系统输出跟踪到期望的归迹。由于把考虑为不可用的状态,两个状态可通过观测器进行估算。而后,这个估算的状态被用于设计自适应NN输出反馈控制器。2.2? 观测器的构建考虑上述系统,为了简便,我们定义为,为,其中和是未知光滑的向量函数。系统可重写为:?其中:因为是不可测的,可设计一个观测器用来输入过去的值对状态向量进行估算。换而言之,要求一个观测器通过和能观测到的估计状态。因为控制输入是可用的,然而是未知的,它能通过神经网络逼近。因此能通过过去的值被估算出来,控制输入通过用一个动态映射用神经网络逼近。可做为一个未知的光滑向量函数,它能通过NN进行逼近其中:1,矩阵和代表目标输出和隐藏层的权重,隐藏层函数是隐藏层节点数,是函数逼近误差。(3)式表明:如果隐藏层权重在初始随机选择时保持不变,并且隐藏层节点数是充分大的,这个逼近误差能够任意小。定义观测器:其中估值,是观测器的输入,矩阵是实际输出层重。观测权重调节为:其中:是设计参数。3? 自适应NN输出反馈控制3.1? Backstepping控制器设计定义实际和期望归迹间的跟踪误差为:其中:是期望归迹。结合式(2)与式(7),可写为: (8)通过观察作为一个虚拟的控制输入,期望的反馈控制可设计为: 与均为未知光滑的向量函数,期望的反馈控制并不能在实际中应用。是一个和的光滑函数。能通过神经网络进行逼近:其中:NN输入是,是理想的输出或隐藏层权重,是隐藏层节点数。为了方便,我们把简记为为逼近误差。假定在紧集中,满足其中:是未知常数,范数定义为2范数,被定义为,让。因为是不可用的,我们将用状态的估计做为NN输入,对它时行替换。随后,建立虚拟的控制输入其中:。自适应律为:可测的状态作为NN输入没有改变。下面定义权重估计误差为:定义和之间的误差为:通过式(8)与式(15)可得其中:由式(15)可得利用这些作为输入,单层动态神经网络能用于预测领先一步。通过用以上提及的输入,前馈神经网络构架的第一层产生,而这又是第二层用于创建合适的控制输入。在另一方面,我们能用一个单层的动态神经网络得到,而反过来又用来作为对第三控制NN输入创建一个合适的控制输入。这里,两个单层的神经网络结合成为一个多层的神经网络。下一步通过用第二个NN选择理想的控制输入其中:是理想的输出或隐藏层权重,是隐藏层节点数。通过Lyapunov函数确保稳定性,是NN输入。因为运用了单一的NN,我们避免了控制器奇异问题。自适应律选择为:3.2? 自适应律设计假定是观测器和两个神经网络的未知输出层目标权重,并且假定他们是有界的其中:表示未知目标权重的界,范数是Frobenius范数。假定逼近误差在紧集中是有界的,他们的上界分别是。考虑到系统能满足上述假定。让未知扰动有界。让NN观测器、虚拟控制输入和实际控制输入分别由式(5)、(12)和(19)所定义。通过选择合适的设计参数,估计误差,跟踪误差是UUB,选择下面的设计参数（21）证明:选择Lyapun