[2018年最新整理]基于RBF网络辨识的自校正控制.pptVIP

6.4 基于RBF网络辨识的自校正控制 1、神经网络自校正控制原理 自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。 神经间接自校正控制结构如下图所示，它由两个回路组成： （1）自校正控制器与被控对象构成的反馈回路。 （2）神经网络辩识器与控制器设计，以得到控制器的参数。 辩识器的在线设计是自校正控制实现的关键。 图1 神经网络间接自校正控制框图 控制器设计 神 经 网 络 辩 识 器 自校正 控 制 器 被 控 对 象 自校正控制算法 考虑被控对象： 其中 ， 分别为对象的输入、输出， 为非零函数。 若 ， 已知，根据“确定性等价原则”，控制器的控制算法为： 若 ， 未知，则通过在线训练神经网络辨识器，由辨识器结果 、 代替 、 ，控制器的控制算法为： 用于辨识的神经网络采用RBF网络实现，网络的权值采用梯度下降法来调节。 RBF网络自校正控制算法 采用两个RBF网络分别实现未知项 、 的辨识。RBF网络辨识器的结构如图2所示， 和 分别为两个神经网络的权值向量。 图2 神经网络辨识器 在RBF网络结构中，取网络的输入为 ，网络的径向基向量为 ， 为高斯基函数： 其中 。 为节点 的基宽度参数， ， 为网络第 个结点的中心矢量， ， 。 两个RBF网络的输出分别为： 辨识后，对象的输出为： 其中 为RBF网络隐层神经元的个数。 网络的权向量为： 采用梯度下降法调整网络的权值： 设神经网络调整的性能指标为： 神经网络自校正控制系统的结构如图3所示。 神经网络权值的调整过程为： 其中 和 为学习速率， 为动量因子。 图3 神经网络自校正控制框图 间接自校正控制可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。 2、仿真实例 ? 被控对象为： 其中 ， 。 RBF网络自校正控制程序为chap6_5.m 本方法的局限性 由于采用梯度下降法调节网络的权值，无法保证控制系统的稳定性和收敛性。