自適應神經網絡在迭代學習和分散化控制中的應用與綜合.pdf

1、本文基于自適應神經網絡控制理論,分別對基于非線性參數(shù)化可變小波神經網絡的自適應迭代學習控制問題,一類帶有時變時滯的非線性純反饋關聯(lián)大系統(tǒng)的自適應分散化神經網絡控制問題和一類帶有輸入時滯和時變時滯的非線性關聯(lián)大系統(tǒng)的自適應神經網絡控制問題做了研究。本文的貢獻主要有一下幾點。
　　首先,基于非線性參數(shù)化可變小波神經網絡,研究一類未知非線性系統(tǒng)的自適應學習控制問題,設計了一類魯棒自適應非線性參數(shù)化神經網絡控制器。其中,利用可變小波神經網

2、絡對未知的非線性函數(shù)進行估計,在可變小波神經網絡中神經網絡節(jié)點的數(shù)目隨著迭代次數(shù)增加逐漸增加。通過修正幾個關于非線性參數(shù)化可變神經網絡的基本假設,利用Lyapunov穩(wěn)定性定理,在神經網絡結構發(fā)生變化的情況下,克服了設計可變小波神經網絡中非線性參數(shù)自適應律的困難并證明了其跟蹤誤差的收斂性。同時,所有的閉環(huán)系統(tǒng)的所有信號都是有界的。最后,通過計算機仿真例子驗證了方法的有效性。
　　其次,對于一類帶有未知時變時滯輸出耦合的純反饋關聯(lián)系

3、統(tǒng),設計一類自適應分散化神經網絡控制器。利用隱函數(shù)定理和均值定理,來自純反饋結構的困難得到解決。在一個更加一般的假設下,即非線性關聯(lián)項的上下邊界可以假定為一系列關于單個系統(tǒng)輸出的未知非線性函數(shù)的和,通過引入正切函數(shù),未知關聯(lián)項得到了有效處理。與傳統(tǒng)的Backstepping方法相比,為了避免對虛擬控制的反復求導,引入了動態(tài)面控制方法。除此之外,最小學習參數(shù)技術成功的推廣到控制器設計過程中,降低了系統(tǒng)計算量。通過構造一個適當?shù)腖yapun

4、ov-Krasovskii泛函,證明了閉環(huán)系統(tǒng)所有信號半全局一致最終有界。最后,利用計算機仿真驗證了方法的有效性。
　　最后,針對一類關聯(lián)大系統(tǒng)的輸入時滯問題,設計一類自適應神經網絡控制器。引入動態(tài)面控制方法消除了傳統(tǒng)Backstepping設計方法的導數(shù)爆炸問題,簡化設計控制器的復雜性。同時應用最小學習參數(shù)技巧使待估計參數(shù)數(shù)目減少,進一步減少了計算負擔。通過構造一個合適的輸入時滯補償控制器,關聯(lián)大系統(tǒng)的輸入時滯問題得到解決。在一