论文部分内容阅读
随着计算机信息技术的迅猛发展，发展出了一种新兴的控制思维方式即无模型控制方法，亦可称之为数据驱动控制。无模型控制方法的特点就是利用系统的输入输出数据来进行控制量的计算，实现了从数据直接设计控制器的转变，摆脱了原来从数学模型出发来完成控制器结构参数设计的局限性，简化了控制器的设计过程，使得控制过程变得简单有效。经过几十年的研究工作，无模型控制理论的发展日益多元化，如PID控制，基于动态线性化的无模型自适应控制，基于神经网络的无模型自适应控制，自抗扰控制，迭代学习控制，迭代反馈整定，虚拟参考反馈整定控制等都是无模型控制理论发展的方向。无模型控制理论作为新兴的理论体系，发展日益完善并在多个领域获得了实际应用。 本文的主要工作是基于神经网络的无模型自适应控制，对于基于动态线性化的无模型自适应控制进行了初步研究，其他的方法则在思想原理上做了简单了解。针对基于神经网络的无模型自适应控制方法，本文工作的主要创新点如下: 1)在基于前馈神经网络的无模型自适应控制器中，提出了以非线性最小二乘算法作为前馈神经网络的学习算法。针对离散非线性对象，在线跟踪阶跃信号或方波信号时，较最初选择的BP算法速度上有所提高，同时算法具有较好的收敛性和较小的跟踪误差，满足控制需求。 2)提出以对角递归神经网络作为无模型自适应控制器的结构，由静态网络结构变为动态网络结构，使得控制器能满足系统的动态性能需求。基于对角递归网络的控制器的输入信号为输出误差信号和误差信号变化量，采用经典的BP算法作为网络参数的学习方式，最终通过仿真结果证实了其良好的控制性能，相比于基于前馈神经网络的控制器，有更好的输出稳定性和自适应性。 3)提出以ELMAN神经网络作为无模型控制器的结构，网络内部的动态性能相比于对角递归神经网络更加丰富。采用了粒子群优化算法作为网络的学习算法，无需对性能指标函数求导，算法简单有效，降低了局部收敛的概率。最后通过仿真结果证明了通过粒子群算法学习训练控制器参数也可以达到预期的跟踪效果。 针对基于神经网络的无模型自适应控制方法，本文在控制器的结构设计、优化算法的选择、参数调节方面进行了各种尝试，通过实验尝试证明了上述几种方法的合理有效性，对于以后的神经网络方面的无模型自适应控制研究有些许借鉴作用。