一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．

     

一种感应电机多模型解耦控制方法研究

提出一种基于新型广义逆系统的感应电机多模型解耦控制方法.通过对电机输入空间进行划分,利用神经网络辨识得到其广义逆系统模型,并针对每个子逆模型设计相应的控制器,使得闭环控制系统的传递函数实现任意的零极点配置.通过对电机输入空间的训练数据进行聚类,计算参考信号对每个类的相异度以实现模型之间的切换.仿真实验表明,该方法可对电机的转速和磁链实现有效的解耦控制,整个控制系统具有良好的鲁棒性.     

基于简约集向量的Takagi–Sugeno模糊模型

利用支持向量学习机制建立模糊模型时, 过多的支持向量将导致复杂的模糊模型. 为此提出了一种基于简约集向量的Takagi-Sugeno模糊模型. 该模型抽取简约集向量产生模糊规则, 规则前件的乘积型多维模糊隶属度函数直接由Mercer核构成, 而规则后件则采用非线性函数. 模型的结构和参数可通过自下而上的简化规则以及不敏感学习进行有效地辨识. 最终得到的模糊模型具有良好的推广能力与精确性, 同时拥有高透明度的模糊规则库. 通过二维sinc函数的逼近及球棍系统的模糊控制的仿真实例, 说明了提出模型的有效性.     

基于支持向量机的逆控制及其稳定性分析

支持向量机(SVM)是一种基于结构风险最小化(SRM)的新的机器学习方法,具有良好的推广性能。给出了利用其构造逆控制器的方法,并将逆控制器串联于原系统前构成伪线性复合系统。针对此开环逆控制系统,在核函数为局部Lipschitz的前提下,证明了控制器是有限增益稳定的,并给出Gaussian核函数对任一变量的局部Lipschitz性的充分条件,在一定合理的假设下给出了控制系统的稳定性结论。     

感应电机的新型神经网络广义逆系统解耦控制

针对感应电机这一多变量、强耦合系统,提出了一种新型神经网络广义逆系统解耦控制方法,给出了新型广义逆系统的存在性证明.它与感应电机复合,将转子磁链与转速的解耦成两个独立的伪线性子系统,并且可以随时通过调整反馈参数改变两个伪线性子系统的配置极点,为控制器的设计提供了便利.仿真结果表明,通过合理的选择配置极点和控制器参数,整个控制系统对电机参数变化和负载扰动有较强的鲁棒性和动态性能.     

良好非线性模型辨识及其内模控制

针对良好非线性模型及其线性化补偿器模型难以建立的问题,结合神经网络的万能逼近性,提出一种模型辨识和内模控制方法。通过建立系统整体的目标函数,利用传统的BP学习算法,通过优化该目标函数得到良好非线性模型及其线性化补偿器,并给出在适当约束条件下的良好非线性模型及其线性化补偿器惟一性的证明。为提高系统鲁棒性,减小模型误差和外部扰动等不确定性,针对补偿后的伪线性系统设计非线性内模控制系统。仿真结果表明,通过优化该目标函数可以得到精确的的辨识模型和线性化补偿器,能有效地对良好非线性模型实现线性化;对补偿后的伪线性系统设计的内模控制器具有较强的鲁棒性,控制系统能精确地跟踪参考信号。     

基于区间自组织映射的α阶逆系统控制研究*

为了提高α阶逆系统在控制中的鲁棒性,提出了区间自组织映射模型。根据定义的损失函数,利用梯度下降法得到新的模型竞争学习算法,并证明了该竞争算法的收敛性。利用区间自组织映射良好的逼近性能辨识非线性系统的α阶逆系统,并将其串联在原系统之前得到复合伪线性系统。仿真结果表明,该逆系统有较高的精度,逆控制器有良好的跟踪效果和较强的鲁棒性。