基于神经网络的非线性多模型自适应控制

论文摘要

本文针对一类单变量非线性离散时间系统和一类多变量非线性离散时间系统的参数不确定性和工况的变化,提出了一种基于人工神经网络的非线性多模型自适应控制器设计方法,并证明了系统的稳定性。本文首先在被控系统的各个平衡点处进行Taylor展开,分别建立一个固定线性模型和一个固定非线性神经网络模型；然后再建立一个可全局移动的线性自适应模型和一个非线性神经网络自适应模型。在此基础上,建立一个可重新赋值的线性自适应模型和一个非线性神经网络自适应模型,构成多模型集。进而根据切换准则自动选取最优模型,并据此计算最优控制律,并辨识控制器参数。仿真结果说明在被控系统的工况发生较大变化的情况时,本文提出的多模型方法比单模型的方法具有更好的暂态控制性能和克服扰动能力。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 自适应控制
• 1.1.1 模型参考自适应控制
• 1.1.2 自校正控制
• 1.1.3 自适应控制方案的实现方法
• 1.2 多模型自适应控制
• 1.2.1 多模型自适应控制的基本原理
• 1.2.2 多模型自适应控制的分类
• 1.3 多模型自适应控制的应用
• 1.4 本文主要研究内容和安排
• 第2章 预备知识
• 2.1 高阶函数
• 2.2 信号增长率
• 2.3 确定等价原理
• 第3章 单变量系统多模型非线性自适应控制
• 3.1 引言
• 3.2 被控系统描述
• 3.3 多模型集的建立
• 3.3.1 自适应模型的建立
• 3.3.2 固定模型的建立
• 3.3.3 可重新赋值模型的建立
• 3.4 多模型控制器设计
• 3.4.1 多模型切换准则
• 3.4.2 多模型控制器设计
• 3.4.3 多模型自适应算法
• 3.5 稳定性证明
• 3.6 仿真实验
• 3.7 本章小结
• 第4章 多变量系统多模型非线性自适应控制
• 4.1 引言
• 4.2 被控系统描述
• 4.3 多模型集的建立
• 4.3.1 最优性能指标
• 4.3.2 自适应模型的建立
• 4.3.3 固定模型的建立
• 4.3.4 可重新赋值模型的建立
• 4.4 多模型控制器设计
• 4.4.1 性能指标及切换准则
• 4.4.2 多模型控制器设计
• 4.4.3 多模型自适应算法
• 4.5 稳定性证明
• 4.6 仿真实验
• 4.7 本章小结
• 第5章 总结与展望
• 5.1 本文研究工作总结
• 5.2 工作展望
• 参考文献
• 致谢
• 作者在攻读硕士学位期间发表的论文