切换随机非线性系统的神经网络控制分析.pdfVIP

摘 要 摘 要 摘摘 要要 人工神经网络（artificial neural network，ANN），一种模拟人脑处理信息机 制的网络系统，是以现代神经生物学研究为基础的。它不但具有处理数值数据的 计算能力，而且还具有处理知识的思维，学习和记忆能力。由于神经网络的收敛 性，容错性，鲁棒性及推广性都较好，随着人们对神经网络的认识不断加深以及 人工神经网络智能水平的提高，人工神经网络将在科学技术领域发挥更大的作 用，其中一个非常重要的应用就是混杂系统的神经网络控制。 在实际生活中，我们所遇见的系统是非常复杂的，具有“非线性”、“强耦合”、 “无穷维”、“随机性”、“不确定性”等多种复杂特性的组合。本文所研究的切换 随机动态系统是一类特殊的混杂系统，是由一族子系统和描述它们之间联系的切 换策略所组成。每一个子系统都带有一个随机项来模拟现实生活中一些随机产生 的现象，例如白噪声等。本论文试图将Ito微分方法，神经网络控制以及 Back-stepping控制等方法引入切换随机非线性动态系统的研究中以寻求一些关 键问题的解决方法。 论文的主要创新性工作如下: 1. 给出了一类切换非线性系统的神经网络滑模控制方法。该方法利用滑模控 制和神经网络控制方法，用RBF神经网络去逼近非线性系统中未知非线性部分的 一个上界和下界，由此设计出来的神经网络滑模控制器可以使得该系统是可切换 镇定的。 2. 给出了一类随机非线性系统的神经网络控制方法。该方法首先利用 RBF神 经网络对随机切换非线性系统进行离线建模，得到其近似系统;将网络建模误差 与系统的外部干扰引入切换神经网络自适应律的设计中，并在线调整使得该随机 非线性系统的输出跟踪误差是以概率1渐近稳定。 3. 采用Back-stepping切换控制以及神经网络切换控制的方法，解决了一类 具有三角结构的随机非线性切换系统的镇定问题。利用Back-stepping方法，将 建模误差寓于神经网络控制器的设计中，采用了 微分方法，证明了该系统的 Ito 输出跟踪误差是以概率1渐近稳定的。 关键词 关键词 关关键键词词: 切换动态系统，随机非线性系统，跟踪镇定，Back-stepping，神经网 络滑模控制， 微分 Ito 4 Abstract Abstract AAbbssttrraacctt Artificial neural network (ANN) is a information processing network system based on the development of a simulation of the human brain mechanisms in modern neurobiology research, which not only has to deal with numerical data on the general computing power, but also dealing with knowledge of thinking, learning and memory. Artificial neural networks will play a more role in the field of science and technology as well as peoples understanding of the mechanism of brain information processing and the deepening of artificial neural network level intelligence, one of them is