基于DO动态神网络辨识与非对称死区约束下抗扰控制研究.pdfVIP

第17届IFAC系统辨识研讨会预印本国际会议2015年10月

19‑21日，，

基于DO的动态神经网络辨识与非对称

死区约束下的抗扰控制?

∗∗∗

，∗∗

∗扬州大学学院，江苏扬州225127，（电子邮件：

yiyangcontrol@163.com）

∗∗西悉尼大学计算、工程与数学学院，澳大利亚新南威尔士州悉尼

2751（电子邮件：w.zheng@.au）

：本文研究了一类具有未知外扰和非对称死区约束的复杂非线性系统的神经网络辨识与抗

扰控制问题。首先，设计了用于估计未知外扰的扰动观测器（DO），并使用动态神经网络

（DNN）辨识器来近复杂的非线性系统。结果表明，动态神经网络的辨识误差和扰动观测器

的估计误差均可收敛至零。此外，设计了一种基于Nussbaum增益矩阵的新扰动观测器反馈控

制器，以确保所设计的DNN辨识器能够实现满意的抗扰控制性能。最后，通过仿真结果验证了

所提算法的有效性。

：系统辨识，动态神经网络（DNNs），动态控制，扰动观测器。

1.引言严重降低系统性能，并且给这些系统的控制带来许多。

另一方面，在几乎所有受控系统中都存在来自各种的

系统辨识和系统建模是系统控制、分析和设计的基础。在外部干扰（ChenGe,2013；GuoChen,2005；

众多成辨识技术中，神经网络已被证明是一种非常重ShimJo,2009；Yang,LiYu,2013；Yang

要的工具，当无法获得完整模型信息时，可以近似未知的Zheng,2014；Yang等,2015；Yi等,2015）。由于这

非线性（Kosmatopoulos等人，1995）。动态神经网络些干扰或噪声的多样性，很难对其进行近似。因此，如何

（DNNs），也称为递归神经网络（RNNs），具有一些识别和控制具有非光滑非线性和外部干扰的复杂系统仍然

记忆能力，能够捕捉系统动态，这使得它们非常适合是一个具有性和艰巨的任务。

别复杂的动态（Rubio和Yu，2007；Yu和Li，2001）。

因此，DNN模型在系统辨识和非线性信号处理领域受到了在本文中，提出了一种基于新型扰动观测器（DO）的

广泛关注（Wang等人，2012；Yi、Guo和Wang，DNN辨识器和抗扰控制器，不仅能够近似复杂的非线性

2009；Yi、Zheng和Guo，2013）。动态，还能保证满意的控制性能。此外，研究表明，

不对称死区和外部扰动对性能的影响可以同时避免。所开

一些非光滑非线性特性，如死区、迟滞和回环，在许多实际系发算法的新颖之处在于，它能够在DNN辨识过程中处理

统中广泛存在（HuaDing,2011；Wang,HongSu,不对称死区和未知扰动，这与纯DNN辨识（如Rubio和

2004；Yi,ZhengGuo,2013）。这些特性的出现可能会Yu(2007)；Wang等(2012)；Yi、Guo和Wang(2009)；

Yu和Li(2001)）以及仅处理对称死区的控制（如

?这项分得到了国家自然科学基金（项目编号Wang、Hong和Su(2004)；Yi、Zheng和Guo(2013)）和澳大利亚研究（项目编号：DP120104986）的支