基于不同加权因子的随机多模型自适应控制

针对一类噪声方差未知的随机系统,基于不同加权因子设计多个参数辨识器辨识模型参数,在此基础上,构成多模型自适应控制器.在每个采样时刻基于指标切换函数选择最佳辨识模型,并将基于此最佳模型设计的控制器切换为当前控制器. 同时,证明了多个模型控制器之间相互切换时整个闭环系统是全局收敛的 .仿真结果表明,同单一自适应模型控制器相比,这种基于多个不同加权因子的多模型自适应控制器在模型参数发生跳变时可很好地改善被控对象的控制品质.

     

随机系统的多模型直接自适应解耦控制器

针对多变量离散时间随机系统, 提出了一种采用广义最小方差性能指标的多模型直接自适应解耦控制器. 该多模型控制器由多个固定控制器和两个自适应控制器构成. 固定控制器用以覆盖系统参数的可能变化范围, 自适应控制器用以保证系统的稳定性和提高暂态性能. 该多模型控制器利用矩阵的伪交换性和拟Diophantine方程性质, 基于广义最小方差性能指标, 将随机系统辨识算法和最优控制器设计相结合, 直接辨识出控制器的参数, 通过广义最小方差性能指标中加权多项式的选取,不但实现了多变量系统的动态解耦控制, 而且消除了稳态误差、配置了闭环极点. 文末给出了全局收敛性分析. 仿真结果表明该方法明显优于常规自适应控制器.     

参数不确定离散随机系统的加权多模型自适应控制

研究离散时间参数不确定的线性随机系统的加权多模型自适应控制(Weighted multiple model adaptive control, WMMAC)问题,采用一种改进的加权算法,在模型输出误差可分的情况下,可以保证其收敛性;然后在加权收敛的前提下, 借助虚拟等价系统的概念和方法证明了此类加权多模型自适应控制系统的稳定性和收敛性.本文所采用的分析方法和结论不依赖于局部控制策略和加权算法的具体形式, 而只取决于它们的某些属性.最后,基于Matlab对相应的加权多模型自适应控制系统进行了仿真,仿真结果验证了加权算法的收敛性和闭环控制系统的稳定性、收敛性.     

多模型自适应控制

给出多模型自适应控制产生的背景,对模型集的建立、多模型控制器的形成以及算法的收敛性和稳定性进行了分析,介绍了多模型自适应控制在工业生产过程中的应用和最新研究成果,同时提出了存在的问题及进上步发展方向。     

加权多模型自适应控制的稳定性

加权多模型自适应控制的稳定性证明是一个未解决的问题.本文采用基于模型输出误差的递推加权算法,在模型输出误差可分的情况下,可以保证其收敛性;然后在加权收敛的前提下,借助虚拟等价系统的概念和方法证明了加权多模型自适应控制系统的稳定性和收敛性.本文的分析方法和结论不依赖于具体的局部控制策略和具体的权值算法,而只取决于它们的某些属性.     

基于遗传算法的多模型自适应控制

利用多个固定模型（或元素模型）来逼近含未知参数的被控系统,基于每一个元素模型建立最优控制器,并由各局部模型控制器的加权和构成被控系统的控制器。对于这种多模型自适应控制器,在每一个采样时刻,每一个元素模型的权值将由遗传算法计算得出。仿真结果表明,采用该文提出的控制器,当被控对象的模型参数剧烈变化时系统输出依然可以很好地跟踪设定值。     

基于CARIMA模型的全局收敛的多变量随机自适应控制算法

本文针对多变量受控自回归积分滑动平均模型(CARIMA)提出了新的直接随机自适应控制算法,该算法不仅能鲁棒抑制任何定常负荷干扰而且应用于非最小相位系统仍具有全局收敛性,该算法不要求事先知道系统的关联矩阵只要求知道关联矩阵的整值参数。     

基于极点配置的多模型自适应控制

基于极点配置技术对单输入单输出离散时间被控对象提出多模型自适应控制算法，在保证稳定性的前提下，算法对被控对象参数跳变时能进行有效的控制，并提高了系统的瞬态响应。     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

基于在线优化的切换多模型自适应控制

介绍了切换多模型控制方法，针对多模型方法中子模型数量过多的问题，提出一种基于模型集在线优化方案的多模型自适应控制算法，并对其实时性进行讨论，该方法能减少子模型数量，降低计算复杂度，缩短系统的采样间隔，计算机仿真结果表明，该方法在控制精度，计算复杂度等方面均优于采用固定模型集的切换方案。     

基于T- S模型的非线性系统多模型直接自适应控制

针对典型的高阶非线性系统，建立被控对象的多个论域不同的基于T—S模型的模糊控制器(TSFC)，用其加权组合控制系统的行为，并报据Lyapunov的综合方法设计一种自适应算法来调整每个TSFC的权值，形成被控对象的直接自适应模糊控制器。与采用单一TSFC的自适应模糊控制算法相比，该算法计算量小，响应速度快，能在局部上更有效地控制系统的非线性，使被控系统具有Lyapunov意义上的稳定性。仿真实验证实了算法的有效性。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

基于分片线性化方法的非线性系统多模型自适应控制

基于分片线性化方法辨识一类非线性系统 ,给出了非线性系统的多线性模型表示。基于线性模型建立多个控制器 ,基于最大最小指标切换函数构成多模型自适应控制器。给出了非线性系统多模型自适应控制算法的优化模型集建立方法 ,解决了多模型自适应控制模型多、计算量大的问题。仿真结果证明了算法的有效性     

一类离散时间非线性系统的多模型自适应控制

针对一类离散时间非线性被控对象,根据模型参数的变化范围,对被控对象建立多个模型,并针对每一模型设计控制器.基于模型的估计误差建立指标切换函数,每一采样时刻,利用指标切换函数选择最优模型,并将基于此模型的控制器切换为当前控制器.采用局部化技术,保证在不损失控制品质的同时,减少多模型自适应控制器的计算量.可以证明,多控制器相互切换时闭环系统是稳定的,同时由于多个模型的存在,控制品质得到了极大的改善.     

The changing face of adaptive control: The use of multiple models

Adaptive systems that continuously monitor their own performance and adjust their control strategies to improve it, have been studied for over 50 years. The theory of such systems is now commonly referred to as classical adaptive control. Such control is now well established and is found to be satisfactory when the uncertainty in the system to be controlled (i.e. the plant) is small.During the past 15 years several attempts were made to extend this general methodology to systems with large uncertainties, by using multiple models to identify the plant. Among these, two general methods based on “switching” and “switching and tuning” have emerged as the leading contenders. Recently, a radically different approach was proposed by the authors (Han & Narendra, 2010b), in which the multiple models are used to play a significantly larger role in the decision making process, resulting in substantial improvement in performance.In this paper, which is tutorial in nature, the three methods based on multiple models are critically examined. At the same time, alternative methods using fixed and adaptive models are also proposed. In all cases, detailed simulation studies of adaptation in different environments are presented. Theoretical explanations are given, where available, for the wide spectrum of performances observed in the simulation studies.     

多变量自适应极点配置对偶控制的研究

针对参数未知的多变量差分方程形式的系统,首先利用Kalman滤波器进行参数辨识,根据确定性等价原理对系统进行极点配置;然后利用极点配置得到的非对偶控制器作为标称输入,其对应的输出作为标称输出,进而根据双指标准则进行对偶控制器的设计;最后给出一个仿真实例,验证该算法的可行性和有效性.     

Nonlinear multivariable adaptive control using multiple models and neural networks

In this paper, a multivariable adaptive control approach is proposed for a class of unknown nonlinear multivariable discrete-time dynamical systems. By introducing a k-difference operator, the nonlinear terms of the system are not required to be globally bounded. The proposed adaptive control scheme is composed of a linear adaptive controller, a neural-network-based nonlinear adaptive controller and a switching mechanism. The linear controller can assure boundedness of the input and output signals, and the neural network nonlinear controller can improve performance of the system. By using the switching scheme between the linear and nonlinear controllers, it is demonstrated that improved performance and stability can be achieved simultaneously. Theory analysis and simulation results are presented to show the effectiveness of the proposed method.     

The zero divisor problem of multivariable stochastic adaptive control

Stochastic adaptive minimum variance control algorithms require a division by a function of a recursively computed parameter estimate at each instant of time. In order that the analysis of these algorithms is valid, zero divisions must be events of probability zero. This property is established for the stochastic gradient adaptive control algorithm under the condition that the initial state of the system and all finite segments of its random disturbance process have a joint distribution which is absolutely continuous with respect to Lebesgue measure. This result is deduced from the following general result established in this paper: a non-constant rational function of a finite set of random variables {x₁},x_n} is absolutely continuous with respect to Lebesgue measure if the joint distribution function of {x₁,…,x_n} has this property.     

Stochastic adaptive pole-zero assignment with convergence analysis

The adaptive control u_n is designed for the stochastic system A(z)y_n+1 = B(z)u_n+C(z)w_n+1 with unknown constant matrix coefficients in the polynomials A(z), B(z) and C(z) in the shift-back operator with the purposes that (1) the unknown matrices are strongly consistently estimated and (2) the poles and zeros are replaced in such a way that the system itself is transferred to A⁰(z)y_n+1 = B⁰(z)u_n⁰+_n+1 with given A⁰(z), B⁰(z) and u_n⁰ so that the pole-zero assignment error {_n+1} is minimized. The problem of adaptive pole-zero assignment combined with tracking is also considered in this paper. Conditions used are imposed only on A(z), B(z) and C(z).