前馈神经网络在自适应逆控制中的应用研究

论文摘要

在控制系统和调节器设计中,自适应逆控制采用被控对象传递函数的逆作为串联控制器对系统的动态特性进行开环控制,从而避免了因反馈而可能引起的不稳定问题;同时又能做到对系统动态特性的控制与对象扰动的抑制分开处理而互不影响。目前,对于线性系统的自适应逆控制,主要采用线性滤波方法;对于非线性系统而言,一般采用神经网络控制。神经网络具有大规模并行性、处理非线性和不确定性问题的能力,可以处理难于用模型或规则描述的过程和系统,基于神经网络的逆控制系统设计方法得到了进一步发展。 本论文是作者在参加河南省自然科学基金《基于Delta算子的自适应逆控制系统的鲁棒设计》和河南省骨干教师资助计划《自适应逆控制的Delta算子方法及性能研究》等项目研究的工作总结。首先阐述了自适应逆控制的原理,然后重点研究基于前馈神经网络的自适应逆控制理论及应用问题。取得的主要结果如下: （1）研究采用基于前馈神经网络的自适应滤波器来实现对非线性对象的建模,通过仿真分析表明,这种方法明显优于单纯采用线性滤波器方法。 （2）分析了ε-滤波LMS算法的收敛性与二次稳定性,给出基于前馈神经网络的ε-滤波LMS算法,仿真实验表明该算法具有较好的控制效果。 （3）将基于前馈神经网络ε-滤波的自适应逆控制算法应用于耳机噪声消除设计中,仿真结果表明,相对于线性滤波方法,神经网络模型方法具有更好的消除噪声性能。

论文目录

• 郑重声明
• 摘要
• ABSTRACT
• 目录
• 第1章 绪论
• 1.1 选题意义及背景
• 1.1.1 选题意义
• 1.1.2 选题背景
• 1.2 自适应逆控制
• 1.2.1 自适应逆控制的模型描述
• 1.2.2 对象噪声和扰动的消除
• 1.2.3 LMS自适应滤波的性能研究
• 1.2.4 自适应逆控制的神经网络方法
• 1.2.5 自适应逆控制的应用
• 1.2.6 自适应逆控制的研究方向
• 1.3 本文的主要工作
• 第2章 非线性系统的神经网络建模与控制
• 2.1 引言
• 2.2 神经网络建模方法
• 2.2.1 模型的选择
• 2.2.2 输入信号的选择
• 2.2.3 误差准则的选择
• 2.3 神经网络建模与控制的结构
• 2.4 反向传播算法
• 2.5 反向传播算法的改进
• 2.5.1 动量方法
• 2.5.2 可变学习速度法
• 2.6 神经网络建模仿真研究
• 2.7 本章小结
• 第3章 基于前馈神经网络ε-滤波的自适应逆控制系统
• 3.1 引言
• 3.2 ε-LMS算法
• 3.2.1 控制器的收敛性
• 3.2.2 ε-滤波LMS算法的二次稳定性分析
• 3.3 非线性自适应逆控制的ε-LMS方法
• 3.4 神经网络自适应逆控制系统的稳定性分析
• 3.4.1 单个神经元的稳定性分析
• 3.4.2 神经网络的稳定性
• 3.5 系统仿真
• 3.5.1 系统介绍
• 3.5.2 仿真步骤
• 3.5.3 仿真结果
• 3.6 本章小结
• 第4章 基于神经网络模型的耳机消噪系统
• 4.1 引言
• 4.2 噪声消除方案
• 4.3 噪声消除系统的实现
• 4.3.1 对象的自适应建模
• 4.3.2 延时对象的逆建模
• 4.3.3 噪声消除滤波器的自适应实现
• 4.4 仿真研究
• 4.5 本章小结
• 第5章 结束语
• 参考文献
• 攻读硕士学位期间发表论文及研究项目
• 攻读硕士学位期间发表论文
• 攻读硕士学位期间研究项目
• 致谢