一类非线性多变量系统的神经网络在线解耦控制

论文摘要

在控制理论的发展过程中,解耦是其中历史最悠久的问题之一。线性多变量系统的解耦控制在理论和工程上有了较为成熟的方法,而实际工业控制对象多为非线性多变量系统。利用神经网络在闭合紧集上可以逼近任意非线性函数,可实现非线性多变量系统的神经网络解耦。常规的神经网络解耦,多数是对神经网络进行离线训练。相对离线解耦,在线解耦能适应变化的工况,可不断进行在线学习。当工况发生变化时,神经网络可及时修改权值,使系统变量间的耦合得以消除。鉴于非线性多变量系统的极端复杂性,将离散的非线性多变量系统按非线性算子的不同分为五类。本文主要针对非线性算子及耦合均在输入端的一类非线性多变量系统,研究如何采用神经网络实现其在线解耦控制。在线解耦的目标函数提出及证明、目标函数实现的困难度测试、基于静态、动态神经网络的在线解耦实现及收敛性分析是本文的研究目标,主要内容可概括如下:1、分析了神经网络解耦器的训练信号,必须满足既能训练神经网络完成解耦,又不影响系统的正常运行。针对白噪声和均匀随机阶跃序列的训练信号,提出了将耦合通道的输入输出序列的广义互相关函数作为实现在线解耦神经网络的目标函数,分析并证明了此目标函数可以反映耦合通道的耦合关系。同时给出了神经网络在线解耦控制的结构,是通过切换系统将训练好的解耦器切换到工作状态。2、在神经网络在线解耦控制结构的基础上,采用分散解耦和前馈解耦两种方式,给出了一类可实现在线解耦的非线性多变量系统。并针对基于广义互相关函数的目标函数,采用适应度距离相关、随机游走序列的相关函数、NK模型和最佳一阶函数等方法综合分析并测试实现优化目标的困难度。3、基于静态神经网络的在线解耦算法设计。针对一类非线性多变量系统中的两个子类,利用遗传算法、遗传算法+模拟退火算法及遗传算法+模式搜索算法分别训练静态神经网络,分析不同解耦结构及不同算法的解耦效果,对解耦后的单回路系统进行单神经元控制和PID控制。4、基于动态神经网络的在线解耦算法设计。在前馈解耦方式的基础上,当神经网络解耦器分别采用时延神经网络、Elman网络和内时延神经网络时,根据随机游走序列的相关函数和最佳一阶函数测试法分析优化目标的困难度,并采用遗传算法+模式搜索法分别训练这三种动态神经网络,分析不同网络的解耦效果。5、对基于静态神经网络和动态神经网络的在线解耦算法分别进行了收敛性的定量分析,定义了收敛速度指标,指出在线解耦算法的可行性。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 非线性多变量系统的解耦控制方法概述
• 1.3 神经网络概述
• 1.3.1 神经网络的发展历史
• 1.3.2 神经网络在控制领域的应用
• 1.4 论文的研究意义
• 1.5 论文的主要研究内容
• 第二章 神经网络在线解耦的实现要求
• 2.1 基于神经网络的解耦控制系统结构
• 2.2 神经网络训练信号的选取
• 2.3 神经网络目标函数的选取
• 2.3.1 离散时间随机过程的概率分布
• 2.3.2 离散时间随机过程的数字特征
• 2.3.3 神经网络目标函数的选取
• 2.4 小结
• 第三章 静态神经网络在线解耦控制
• 3.1 一类非线性多变量系统的描述
• 3.2 目标函数的分析及困难度测量
• 3.2.1 基因关联方差
• 3.2.2 适应度距离相关
• 3.2.3 静态神经网络在线解耦的目标函数复杂度测试
• 3.2.4 随机游走序列的相关函数测试法
• 3.2.5 NK模型
• 3.2.6 最佳一阶函数逼近测试法
• 3.3 神经网络解耦器的训练算法
• 3.3.1 遗传算法
• 3.3.2 模拟退火算法
• 3.3.3 模式搜索法
• 3.3.4 混合优化策略
• 3.3.4.1 GA+SA
• 3.3.4.2 GA+PSA
• 3.3.5 不同优化算法的解耦比较
• 3.3.5.1 基于分散解耦结构的比较
• 3.3.5.2 基于前馈解耦结构的解耦比较
• 3.4 解耦后系统的控制
• 3.4.1 基于分散解耦结构的单神经元控制
• 3.4.2 基于前馈解耦结构的控制
• 3.5 基于单个神经网络的在线解耦控制
• 3.6 小结
• 第四章 动态神经网络在线解耦控制
• 4.1 引言
• 4.1.1 时延神经网络
• 4.1.2 ELMAN网络
• 4.1.3 内时延递归网络
• 4.2 基于三种动态神经网络的目标函数困难度测试
• 4.2.1 时延神经网络的目标函数测试
• 4.2.1.1 随机游走序列的相关函数测试法
• 4.2.1.2 最佳一阶函数逼近测试法
• 4.2.2 ELMAN网络的目标函数测试
• 4.2.2.1 随机游走序列的相关函数测试法
• 4.2.2.2 最佳一阶函数逼近测试法
• 4.2.3 内时延递归神经网络的目标函数测试
• 4.2.3.1 随机游走序列的相关函数测试法
• 4.2.3.2 最佳一阶函数逼近测试法
• 4.3 不同动态神经网络的在线解耦
• 4.3.1 时延神经网络
• 4.3.2 ELMAN网络
• 4.3.3 内时延递归神经网络
• 4.3.4 三种动态网络的解耦比较
• 4.4 解耦后的单回路控制
• 4.5 小结
• 第五章 在线解耦算法收敛性分析
• 5.1 静态神经网络在线解耦算法收敛性分析
• 5.1.1 遗传算法的收敛性
• 5.1.2 局部搜索算法的收敛性
• 5.1.3 收敛速度定量分析
• 5.1.3.1 在线性能和离线性能测试
• 5.1.3.2 平均截至代数及截至代数分布熵
• 5.1.3.3 收敛速度
• 5.2 动态神经网络在线解耦算法收敛性定量分析
• 5.2.1 在线性能和离线性能测试
• 5.2.2 平均截止代数及截止代数分布熵
• 5.2.3 收敛速度
• 5.3 小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读博士学位期间发表的学术论文
• 攻读博士学位期间参加的科研工作