自适应控制器参数优化研究

论文摘要

在各种控制系统中,由于控制对象存在某些不确定性和各种干扰,包括环境或参数改变的影响等复杂因素,致使系统的控制无法满足性能的要求。自适应控制通过自动调节控制器参数,来消除那些复杂因素和不确定性的影响,使控制器与控制对象和环境相适应,但这一般仅适用于参数变化不大的情况,因为在本质上,自适应控制是利用对系统性能有关的因素的估计,来补偿或克服不确定性和各种干扰。智能控制则针对系统复杂性,不确定性,从系统的整体性能优化的角度来分析和综合系统,以达到最佳的控制效果。智能控制可是模糊控制,也可是神经网络控制等等,智能控制既可作为复杂不确定系统的补偿环节,又可用于非线性系统的辩识和控制,还能对控制进行优化计算,因此智能控制在自适应控制中有广泛的应用,本文便提出一类自适应结合智能控制的方法。神经网络具有自学习功能,可以逼近任意非线性函数,所以神经网络既可作为复杂不确定系统的补偿环节,又可用于非线性系统的辩识和控制,还能对控制进行优化计算。因此基于神经网络的自适应控制有着重要的研究意义。模糊控制是处理推理系统和控制系统中不精确和不确定性的一种有效方法。对于那些时变的、非线性不确定的复杂系统采用模糊控制时,为了获得良好的控制效果,必须要求模糊控制具有较完善的控制规则,这些控制规则是人们对被控过程模糊信息的归纳和操作经验的总结。由于被控过程的非线性、高阶次、时变性以及随机干扰等因素,造成模糊控制规则或者粗糙或者不够完善,都会不同程度地影响控制效果。为了弥补这个不足,模糊控制向自适应、自组织、自学习方向发展,使得模糊控制规则在控制过程中自动地调整、修改和完善,从而使系统的控制性能不断改善,达到最佳的控制效果。因此基于模糊逻辑的自适应控制有着重要的研究意义。最后,对上述两种研究方法进行实例仿真,仿真效果良好,表明自适应控制与智能控制的结合是可行的,而且是理想的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 本文研究的背景和意义
• 1.1.1 控制系统面临的问题
• 1.1.2 人工智能及智能控制
• 1.1.3 智能控制及其分类
• 1.1.4 研究智能控制系统的意义
• 1.2 自适应控制理论及其发展概况
• 1.2.1 自适应控制的定义
• 1.2.2 两类重要的自适应控制系统
• 1.2.3 自适应控制的发展概况
• 1.3 本文研究的主要内容
• 1.4 本文的章节安排
• 第二章 基于神经网络的自适应控制
• 2.1 神经元模型
• 2.2 神经网络的结构和学习规则
• 2.2.1 神经网络的结构
• 2.2.2 神经网络的学习方式
• 2.2.3 神经网络的学习规则
• 2.3 前向神经网络模型与学习算法
• 2.3.1 前向神经网络模型
• 2.3.2 前向神经网络的训练方法
• 2.3.3 算法归纳
• 2.3.4 BP网络的缺陷与算法改进
• 2.4 神经网络自适应控制技术的研究
• 2.4.1 间接自适应控制方案
• 2.4.2 直接控制方案
• 2.5 本章小结
• 第三章 基于模糊逻辑的自适应控制
• 3.1 模糊控制的基本理论
• 3.1.1 概述
• 3.1.2 模糊控制原理
• 3.2 模糊自适应控制基本原理
• 3.3 两类基本的自适应模糊控制器设计
• 3.3.1 被控系统与控制要求
• 3.3.2 直接型自适应模糊控制器设计
• 3.3.3 间接型自适应模糊控制器设计
• 3.4 本章小结
• 第四章 系统仿真
• 4.1 神经网络（单神经元）自适应控制实例仿真
• 4.1.1 单神经元自适应控制算法
• 4.1.2 实例仿真
• 4.2 直接自适应模糊控制实例仿真
• 4.3 间接自适应模糊控制实例仿真
• 4.4 本章小结
• 第五章 结束语
• 5.1 结论
• 5.2 展望
• 参考文献
• 致谢
• 附录A（攻读硕士学位期间的主要研究成果）