神经网络逆在线学习及其在.doc

PAGE 神经网络逆在线学习及其在*励磁控制中的应用*徐庆宏 戴先中东南大学摘要：研究相对阶为1的一类非线性系统的神经网络逆在线学习。首先，基于严格的逆系统理论构造了闭环控制时神经网络逆在线学习的样本；然后，基于基函数思想，给出了一种神经网络逆在线学习算法；最后，将提出的神经网络逆在线学习方法应用于单机无穷大励磁系统控制。仿真结果表明：与神经网络逆未在线学习比较，本文提出的神经网络逆在线学习方法具有更好的控制性能，从而表明了本文方法的有效性。关键词：逆系统 神经网络逆 在线学习 基函数 励磁系统Online Learning of ANN-Inversion and Its Application for the Control of the Excitation SystemXu Qinghong Dai XianzhongAbstract: This paper focuses on the online learning scheme of ANN-inversion for a class of nonlinear systems with relative degree one. Firstly, training samples for online learning of ANN-inversion are constructed in the closed-loop control scheme based on the strict inverse system theory. Then, based on the idea of basis functions, an online learning algorithm of ANN-inversion is proposed. Finally, the proposed online learning method of ANN-inversion is applied to the control of the typical single machine infinite bus (SMIB) excitation system. Simulation results demonstrate that the control performance of the closed-loop system with online learning of ANN-inversion is better than that without online learning, which proves the validity of the proposed online learning method of ANN-inversion.Keywords: inverse system ANN-inversion online learning basis functions excitation system1 引言非线性系统的控制问题是一个具有挑战性的研究课题。近年来，逆系统方法[1]被应用于非线性系统的控制，但其在实现时有两个“瓶颈”问题：1）严重依赖于被控系统的精确的数学模型；2）需要得到逆系统的解析表达式。为了解决逆系统方法实现时的两个“瓶颈”问题，神经网络逆方法[2]被提出，并被应用于电力系统、电机和机器人等控制中，且取得了良好的控制效果。但是，当被控系统存在建模误差时，因为被控系统的控制性能在很大程度上“被动地”依赖于离线训练得到的神经网络逆的泛化能力，所以神经网络逆方法的鲁棒性可能变差。为此，本文研究神经网络逆的在线学习以提高神经网络逆方法的控制性能。本文以一类相对阶为1的非线性系统为研究对象，给出了一种闭环控制时神经网络逆的在线学习方法。在所提出的神经网络逆在线学习方法中，首先基于严格的逆系统理论，构造了神经网络逆在线学习的样本；然后，基于基函数思想，提出了一种神经网络逆在线学习算法；最后，将本文所提出的神经网络逆在线学习方法应用于单机无穷大励磁系统控制，仿真结果表明了方法的有效性。* 国家自然科学基金资助项目2 问题描述考虑相对阶为1的一类非线性系统，假设其数学描述为： （1）其中，分别为系统的状态、输入（控制）和输出，, 为未知非线性函数。假设非线性系统（1）是可逆的，且逆系统可表示为 （2）其中，且。众所周知，具有单隐层的神经网络能以任意精度逼近非线性函数，因此本文使用单隐层神经网络通过离线训练以逼近式(2)所描述的逆系统；接着，将离线训练后得到的神经网络逆与原系统级联，得到1阶伪线性复合系统；