双非线性随机系统的自适应控制中的神经网络.docVIP

双非线性随机系统的自适应控制中的神经网络 简介 对神经网络的非线性系统离散时间自适应控制使用仿射类已于日前调查。神经网络建模系统，包括被认为是未知的世界。自适应规律是用来研究网络参数，使以获得良好的控制性能。 采取的神经网络自适应控制迄今为止方法通常采用启发式确定性等价程序。这意味着在一个网络逼近法中使用的控制，好像他们是真正的系统功能，完全忽略了他们的不确定性。当不确定性很大，例如，在启动，这可能导致不足的瞬态响应。要采取考虑到未知的不确定性，随机自适应方法可以采取。这导致了所谓的双重控制原则费尔德鲍姆在1960年推出的。双自适应控制进行了分析对未知参数的线性系统的自适应控制或因已知的函，但其状态必须估计非线性系统为主。因为它的优势，出现了对科学研究的双控制最近死灰复燃。然而，这些问题都解决了当系统的非线性和功能未知。 因此，在工作中，我们研究了双自适应控制的非线性，系统离散齿类仿射非线性函数时使用的是未知的随机扰动添加剂目前在输出端。两种类型的神经网络建模的考虑未知的功能。在第2的双重控制给出了简要概述。第3条发展为高斯径向基函数（RBF）和乙状结肠多层感知器（MLP）网络，这两种情况下的第4双神经网络控制器包含模拟结果，这是一个结论之后。 双控制 双重控制的优点，因为由此产生的后续系统将具备上述（一）采取最佳沿着期望轨迹的系统状态，并给予了参数估计和（二）征求进一步信息的不确定性，以适当考虑，双功能减少未来的不确定性参数，从而提高了估计过程。因为，在提供跟踪功能的影响（一）被调用时要小心，不使用控制器参数的估计盲目，好像他们是真的。影响（二）被称为探测，因为控制器会产生更快的信号，鼓励参数收敛。这样的控制器被认为是积极的适应性。双控制能提供比其它适应性计划，特别是当控制地平线短的改善，初始参数的不确定性较大或参数正在迅速改变。它表现出了诸如经济系统优化和细化纸浆工业控制芯片在实际应用中提高性能。 从技术上讲，双控制器的目的是找到一个控制输入u（t）的最小化的N- slage标准： 其中yr（t）是系统参考输入，为y（t）是控制输出，E{.}表示数学期望，包括对所有参数的随机变量中，以及yt是国家的信息定义为在时间T 原则上，这种控制输入可以发现由所谓的贝尔曼方程的解，通过动态规划。然而，在大多数实际情况下，这是不可能实现，因为它涉及到业务，高度密集的计算和记忆。出于这个原因，最实用的自适应自适应控制器完全无视Feldbaum提出的双重功能和被称为nondual控制器。两个这样的例子是启发式的确定性等价（行政总监）和注意事项控制器。这些控制器往往导致瞬态响应不足，前者表现出很大的过冲和后，缓慢的反应时间。 神经网络控制的方案提出了一些文学，行政总监的类型，避免了严重的过冲和稳定可能出现的问题是第一个从忽略谨慎执行密集，开环。离线训练，以确定工厂和减少该参数的先验的不确定性。然后，一个控制和识别阶段开始，蒙山神经网络设置为这些前训练值的参数。这大致接近实际值。在我们的例子，这个前培训阶段是避免心钠素参数的不确定性考虑，并从原则派生的双自适应控制低的影响。这是更有效和经济的，因为在实际应用中的离线训练计划可能会非常耗时，因此价格昂贵。 解决的办法与贝尔曼方程的复杂性的问题是要得到控制的法律，但实际上是可执行的，在一定程度上。保留了理想的双位指示，即谨慎和探测的理想特性。这种方法不会导致对贝尔曼方程的精确解，因此，这种被称为次优双控制器。它们大致可分为隐式和显式类型。 这是一个明确的调查将采用双管齐下的办法不理想类型的基础上由米利托等人，对于线性随机系统次优控制，而是扩展到S形多层感知器神经网络的情况都是未知的非线性系统建模的功能考虑。 结论 该论文的主要贡献在于展示如何双重控制的概念可以被应用到未知的神经受到随机扰动非线性系统的自适应控制。这种方法具有改善系统的瞬态响应，优势，特别是在启动时该参数估计的不确定性是很高的。系统开发的双控制器对原先提出的米利托等人的线性系统。创新为基础。结果表明，这种设计的优势，即优越的性能和双控制器对非仿射非线性系统的相对简单的控制。特别是次优双控制器需要通过引进样作用谨慎考虑参数的不确定性。因此，控制和估计是从一开始就同时进行，消除了前面加上一个脱线，开环系统的识别阶段控制阶段的必要性，因为通常是间接自适应神经网络控制计划行政总监的情况。在同一时间，警戒线可以多种多样，以降低无法接受的反应缓慢。 两个高斯RBF和MLP神经网络的S形已用于学习的未知非线性。网络培训算法，基于对RBF的案件和案件的总纲发展蓝图扩展卡尔曼滤波理论卡尔曼滤波器。仿真结果已经提交，并利用一种次优的双重方法的优点是由蒙特卡罗分析证实。为进一步研究的问题包括：在何种条件下在总纲发展蓝图所采取的控制律的推导假设的闭