英文翻译模板36822037.doc

本科毕业设计 外文翻译 专业名称 探测制导与控制 学生学号 2011300494 学生姓名 郭雷 指导教师 呼卫军 完成时间 2015/4/11 本科毕业设计英文翻译 指导教师评阅意见 学生姓名： 班级： 得分： 请指导教师用红笔在译文中直接进行批改，并就以下几方面填写评阅意见，给出综合得分（满分按100分计）。 1、专业术语、词汇翻译的准确性； 2、翻译材料是否与原文的内容一致； 3、翻译材料字数是否符合要求； 4、语句是否通顺，是否符合中文表达习惯。 中文译文： 基于高斯过程的贝叶斯非参数自适应控制 摘要：现代绝大多数的模型参考自适应控制（MRAC）都依赖变量适应原理，即变量的个数是提前确定好的；确定方法大多是专家决策。这种自适应原理的一个例子是径向基函数网络（RBFNS），即径向基函数中心根据预期的操作域提前确定。如果系统在预期操作域外运行，那么这种自适应原理就会无法捕获和消除误差，由此设计出的自适应控制器从本质上说就（rendering only semi-global in nature）仅能在半全局内进行补偿。本文研究一个基于贝叶斯模型参考自适应控制体系的高斯过程（GP-MRAC），利用GP贝叶斯非参数模型不确定性的能力和灵活性。GP-MRAC不要求预先确定中心，自身便可控制测量误差，同时也使MRAC能够在更广泛的不确定度下有效，包括一些被视为分布外的函数。我们使用随机稳定参数来证明GP-MRAC可以在没有不确定性先验域知识的情况下保证好的闭环表现。我们将预分配中心后的RBFN-MRAC与可在线执行的GP推理方法通过数值仿真进行了对比，最终证实了GP-MRAC有更好的追踪效果和长期学习能力。 关键词：核，自适应控制，高斯过程，非线性控制系统 Ⅰ.简介 对很多实际的应用而言，建立精确的系统动力学模型是不划算的。使用近似模型的控制综合会由于建模误差导致很差的控制响应。自适应控制理论寻求这样一个策略，可以在减少性能损失，且在面对不确定度时可以保证稳定的、闭环的性能。一个存在重大模型不确定性情况下还能保证相当好的性能的直接的自适应控制方法是模型参考自适应控制（MRAC）[3],[19],[43],[57],[60].在一般的MRAC算法中，径向基函数神经网络（RBFNS）已成为一种广泛使用的、相当通用的自适应模型[52]，尤其在人们对系统不确定度知之甚少的情况下[26], [41], [59]。RBFNs流行的原因之一是相较于多层感知器神经网络而言，他们的变量之间的关系是线性的[26], [33]。然而，RBFN所能代表的精确度，在很大程度上取决于RBF中心的选择[45]。典型的，本文作者假设系统操作域是已知的，同时在假定的操作域中预先分配一个定量的高斯RBF中心。[12], [26],[41], [46], [61]。 由于高斯的径向基函数在远离它的中心时以指数形式衰退，系统状态必须保持接近一些RBF中心的位置，以便径向基函数神经网络可以有效的捕获系统不确定度。因此，RBFN-MRAC的一个隐含假定是定义不确定度的操作域是紧凑的，以便它能通过RBFs的有限集合很好的拟合这个域。所以，RBFN的稳定性终归无法被扩展到全局，因为如果系统状态演变到超出假定的紧凑的操作域，那么RBFN实际上无法学习和拟合系统的不确定性。客服固定中心限制的一种方法是移动和增加RBF中心，以便更好的捕获建模不确定性。在MRAC的传统方法基础上，作者曾在[40], [55],[58]提出了RBF中心调优规则，试图将瞬时跟踪误差最小化。然而，在减小建模误差以保证减小追踪误差时[6], [12]，相反的需要并不总是正确的。因此，诸如[40]、 [55]、[58]中的方法不能保证中心的更换可以降低建模误差。传统的基于RBFN的模型参考自适应方法的另一个限制是,他们将不确定性建模为平稳（流畅、光滑）、确定性的函数。然而，实际情况下的不确定性可能有很多随机性效应，如噪声，伺服系统的震颤，湍流等。作者曾依据如修正（更新，迭代）方程组中的参数阻尼项等σ—修正[19]来保证在噪声条件下不确定度的确定性模型中参数的有界性。这种方法可以保证闭环系统的整体有界性，但是增加的阻尼项会限制对不确定度的学习。因此，需要更好的、利用概率建模观念如均值和方差的随机性不确定度的模型。参数的数量和性质并非确定的；相反，他们随着数据的增多而增多和调整。 本文采用高斯过程作为模型参考自适应控制中的贝叶斯非参数自适应原理，来解决上述RBFN-MRAC中需要预先分配中心的局限。