自适应逆控制及其应用的研究

论文摘要

在控制理论发展的过程中，某一理论的正确性及在实际应用中的可行性需要一个按其理论设计的控制器去控制一个典型对象来验证，倒立摆就是这样一个被控对象。自适应逆控制需要很少的先验知识，不需要知道被控对象的数学模型，就可以设计出性能良好的自适应逆控制系统。但是，在控制非线性对象时，自适应逆控制需要建立对象模型和对象的逆模型。实践证明，用线性自适应滤波器对非线性对象建模是不可行的。神经网络是以自学习为基础，具有对任意非线性映射的逼近能力。这样，神经网络控制倒立摆，经过网络训练可以得到对象模型和对象逆模型，可以用来完成自适应逆控制对非线性很强的二级倒摆的控制。 在使用神经网络完成非线性对象的模型和逆模型时，选择的训练方法很重要。常用的基于梯度下降的BP算法依赖于初始权重的选择，收敛速度较慢。研究表明，粒子群算法是一种很有潜力的神经网络训练算法，它保留的基于种群的、并行的全局搜索策略，采用的速度—位移模型操作简单，易于实现。 粒子群优化算法是一种基于种群搜索策略的自适应随机算法。作为智能优化算法中的一种，它可用于求解大部分的优化问题，并在工程实践中表现出巨大潜力，现已广泛应用于神经网络、模糊系统控制、模式识别等多个领域。 基于上述思想，本文完成了如下工作： 1．介绍了自适应逆控制系统的基本概念和扩展结构；研究了逆对象的建模和自适应逆控制的结构；介绍了自适应滤波器的几种算法。介绍了倒立摆系统，并建立了二级倒立摆的数学模型。 2．通过极点配置仿真，自适应逆控制仿真，扰动情况下系统自适应逆控制仿真和基于U-滤波LMS算法的自适应逆控制对倒立摆的自适应逆控制做

论文目录

• 摘 要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究的背景及研究的意义
• 1.2 倒立摆系统稳定与控制研究的发展状况
• 1.3 自适应逆控制研究的历史和现状
• 第2章 自适应逆控制与倒立摆系统简介
• 2.1 自适应逆控制的基本概念
• 2.2 自适应逆控制的扩展结构
• 2.3 逆对象建模
• 2.3.1 最小相位对象的逆
• 2.3.2 非最小相位对象的逆
• 2.3.3 模型参考的逆
• 2.3.4 有扰动对象的逆
• 2.4 自适应逆控制系统的结构
• 2.4.1 基本结构
• 2.4.2 基于ε-滤波LMS算法的自适应逆控制
• 2.4.3 非线性对象的自适应逆控制结构
• 2.4.3.1 非线性自适应逆控制的基本结构
• 2.5 自适应滤波和几种算法的介绍
• 2.5.1 自适应滤波器
• 2.5.2 梯度和wiener解
• 2.5.3 最速下降法和LMS算法
• 2.6 二级倒立摆数学模型的建立
• 2.6.1 二级倒立摆数学模型的组成
• 2.6.2 结构参数
• 2.6.3 Lagrange方程介绍
• 2.6.4 二级倒立摆数学模型的推导
• 2.7 本章小结
• 第3章 倒立摆的自适应逆控制研究
• 3.1 极点配置仿真
• 3.2 自适应逆控制仿真
• 3.3 扰动情况下系统自适应逆控制仿真
• 3.3.1 极点配置在扰动情况下仿真
• 3.3.2 自适应逆控制在扰动情况下仿真
• 3.4 基于U-滤波LMS算法的自适应逆控制
• 3.4.1 U-滤波LMS算法
• 3.4.2 基于U-滤波LMS算法的自适应逆控制系统
• 3.5 本章小结
• 第4章 粒子群算法及其在多层前向神经网络训练中的应用
• 4.1 粒子群优化算法
• 4.1.1 PSO算法基本原理
• 4.1.2 PSO算法的数学描述
• 4.2 PSO算法的改进
• 4.2.1 加入惯性权重因子w的PSO算法
• 4.2.2 杂交PSO（HPSO）模型
• 4.2.3 收敛因子模型
• 4.2.4 协同PSO算法
• 4.2.5 收敛速度的改进
• 4.2.6 增加多样性的改进
• 4.2.7 全局方法
• 4.2.8 动态目标函数
• 4.3 PSO算法的仿真实例及改进算法比较
• 4.4 PSO与遗传算法的比较
• 4.4.1 算法特点比较
• 4.4.2 仿真比较
• 4.5 使用PSO训练多层前向神经网络
• 4.5.1 多层神经网络简介
• 4.5.2 网络学习与泛化
• 4.5.3 基于PSO的神经网络学习算法
• 4.5.4 仿真实验及结果分析
• 4.6 PSO与BP算法相结合的神经网络训练
• 4.7 本章小结
• 第5章 二级倒摆系统的神经网络自适应逆控制研究
• 5.1 二级倒立摆系统正向模型的建立
• 5.2 二级倒立摆延迟逆模型的建立
• 5.3 自适应逆控制系统仿真—逆控制建立及仿真
• 5.4 本章小结
• 结论
• 参考文献
• 攻读博士学位期间发表的论文和取得的科研成果
• 致谢
• 个人简历