非线性系统自组织多模型建模与控制方法

论文摘要

随着科学技术的飞速发展,人们面临的系统日益复杂,要求日益提高。例如在近几场高技术局部战争中引人注目的无人驾驶飞机,由于其具有广泛的军事应用前景而得到深入研究。无人机在大角度机动飞行时呈现出很强的非线性特性,其控制器设计也引起了人们极大的关注。对于实际应用中出现的多变量、非线性、强耦合、工作环境和动力学特性复杂的控制对象,单一的控制器很难达到满意的控制效果,因此基于多模型的控制方法得到了广泛的研究,各种多模型控制方法应运而生。它们不仅为控制理论应用于实际问题提供了一个很好的解决途径,而且它们本身已成为控制理论研究的重要方向之一,丰富了控制理论的研究内容。本论文以无人机机动飞行控制为背景,主要研究非线性系统的自组织多模型建模与控制方法,包括非线性系统的自组织多模型建模、模型分析、控制器结构与设计以及自组织多模型方法在其它非线性问题中的应用。主要研究成果概括为以下几点。1、研究了自组织映射神经网络在非线性系统多模型建模中的应用及其特点。指出它与一般神经网络建模在逼近原理上的不同,并分析了各自的优缺点。通过对自组织映射神经网络神经元划分空间的特点进行分析,指出基于自组织映射神经网络的多模型建模不能达到对原系统的最优逼近,并分析指出其根本原因在于自组织映射神经网络划分空间的目的与多模型建模的目的不一致。2、针对所建立的局部多变量线性模型,研究了一般的多输入多输出线性模型在存在参数辨识误差时的特性。采用鲁棒逆奈奎斯特阵列方法,研究当模型传递函数矩阵元素参数存在不确定性时系统的对角优势性和稳定性。提出了一种近似估计鲁棒Gershgorin带的改进方法,降低了传统鲁棒逆奈奎斯特阵列方法的保守性,提高控制系统的性能,为设计控制器提供方便。3、基于对自组织多模型建模方法的分析,提出了一种基于主动学习策略的自组织多模型建模方法。将局部模型的辨识误差反馈到神经网络学习的数据选取中,变被动接受学习数据为主动选择学习数据,在不改变自组织映射神经网络基本学习方法的情况下,有效的改变了神经网络中神经元节点的分布,使之更加有利于提高自组织多模型建模的精度。4、研究了非线性系统的自组织多模型控制结构与方法。分析了目前的自组织多模型控制方法,指出了其中所存在的问题和不足,提出了一种自组织多模型直接逆控制方法,证明了在工作空间内系统控制误差的有界性。在此基础上,将参数空间中的多模型切换-自适应控制方法中“固定模型+自适应模型”的结构引入自组织多模型直接逆控制方法,得到一种新的自组织多模型自适应逆控制方法,此方法的优点在于,对于时变的信号,控制系统能够保证跟踪误差有界,对于稳态信号,控制系统能够实现对信号的渐近跟踪。5、针对具有大角度机动能力的无人飞行器,研究大角度机动时无人机的自组织度模型建模与控制方法,讨论了建模时训练样本选择、模型结构选择等问题,给出了建模与控制器设计步骤,并针对某一无人飞行器的大侧滑角机动进行建模与控制仿真。6、研究了自组织多模型方法在非线性系统扩展Kalman滤波问题中的应用。通过用局部模型中的参数替代实时逐点计算的Jacobian矩阵,降低了实时计算量,消除了扩展Kalman滤波方法对系统非奇异性的要求,并且估计性能（估计结果的一致性）得到一定程度的提高。这可作为自组织多模型方法在非线性问题中应用的一个有益尝试。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 多模型控制基本原理
• 1.3 非线性系统多模型控制发展现状
• 1.3.1 非线性控制理论
• 1.3.2 神经网络控制
• 1.3.3 多模型控制
• 1.3.4 自组织多模型控制
• 1.4 本论文研究的出发点
• 1.4.1 无人机飞行控制研究的意义
• 1.4.2 无人机飞行控制研究现状
• 1.4.3 本论文研究的出发点与思路
• 1.5 论文研究的主要内容与安排
• 第二章 自组织映射神经网络
• 2.1 引言
• 2.2 基本的SOM 神经网络
• 2.2.1 自组织映射的生理学基础
• 2.2.2 SOM 的基本结构与学习算法
• 2.3 其它自组织映射神经网络模型
• 2.3.1 神经气模型
• 2.3.2 生长型自组织映射神经网络
• 2.3.3 扩散型自组织神经网络
• 2.4 自组织映射神经网络的特点
• 第三章 非线性系统的自组织多模型建模
• 3.1 引言
• 3.2 基于SOM 神经网络的非线性系统建模方法
• 3.2.1 自组织多模型建模方法
• 3.2.2 自组织多模型建模的特点
• 3.3 自组织多模型建模分析
• 3.3.1 逼近性能分析
• 3.3.2 最优性分析
• 3.3.3 网络结构对逼近的影响
• 3.3.4 仿真研究
• 3.4 局部模型分析
• 3.4.1 RINA 方法
• 3.4.2 鲁棒对角优势性引理
• 3.4.3 鲁棒Gershgorin 带的近似估计
• 3.4.4 仿真研究
• 3.5 本章小结
• 第四章 自组织多模型建模的主动学习方法
• 4.1 引言
• 4.2 样本数据分布对建模的影响
• 4.3 SOM 神经网络主动学习方法
• 4.4 SOM 主动学习方法分析与解释
• 4.4.1 方法分析
• 4.4.2 方法解释
• 4.5 仿真实例
• 4.6 本章小结
• 第五章 非线性系统的自组织多模型自适应逆控制
• 5.1 引言
• 5.2 非线性系统的神经网络逆控制方法
• 5.3 多模型切换-自适应控制器设计
• 5.4 自组织多模型逆控制方法
• 5.4.1 问题描述
• 5.4.2 一般的自组织多模型控制方法
• 5.5 自组织多模型直接逆控制方法
• 5.6 自组织多模型自适应逆控制器
• 5.7 仿真实例
• 5.8 本章小结
• 第六章 无人飞行器多模型建模与机动飞行控制
• 6.1 引言
• 6.2 无人机动力学模型
• 6.2.1 完整非线性动力学
• 6.2.2 模型简化
• 6.3 无人机的组织多模型建模与控制
• 6.4 无人机多模型建模与控制仿真
• 6.5 本章小结
• 第七章 基于SOM 的扩展卡尔曼滤波
• 7.1 引言
• 7.2 非线性系统的高斯滤波器
• 7.2.1 扩展卡尔曼滤波方法
• 7.2.2 其它非线性方法
• 7.3 基于自组织多模型逼近的EKF
• 7.4 仿真研究
• 7.5 本章小结
• 结束语
• 致谢
• 参考文献
• 作者在学期间取得的学术成果
• 在攻读博士期间参与的主要科研课题研究