混合神經解耦極點配置控制器及其應用

1、混合神經解耦極點配置控制器及其應用摘要提出一種將循環(huán)動態(tài)神經網絡整合到極點配置的混合控制結構。該神經網絡拓補包含了一個修正過的循環(huán)Elman網絡，以獲得所要控制對象的動態(tài)學，通過計時運算法則使用一個縮短的逆?zhèn)鞑プ鳛樵诰€執(zhí)行的相位學習。模擬一個普通非線性狀態(tài)空間系統(tǒng)時，神經模型的每一次步進，被線性化而產生一個離散線性時變狀態(tài)空間模型。神經模型一旦線性化，就可以應用一些良好的已建的標準控制策略。本工作里解耦極點配置控制器的設計被看成是首要的

2、，其與網絡的在線學習結合得到了一種自調整適應的控制方案。實驗室三箱系統(tǒng)收集的試驗結果證實了所提方法的生存力和效果。關鍵詞：混合方法，循環(huán)神經網絡，極點配置，解耦，多變量適應控制。1導論過去十年的自動控制變革被描述為兩個派別的對抗：一種基于解析代數方法，而另一種是基于來自人工智能的信息處理工具。兩者都推動發(fā)展了復雜，非線性，幾乎無法模型化的過程的控制系統(tǒng)。解析代數這一派，使用線性的非線性的嚴格方法，建立了一連貫知識體系，但仍然無法解決當不

3、可能獲得足夠精確的過程和擾動模型時的問題。而另一派，基于神經網絡和模糊系統(tǒng)，發(fā)展了大量的方法和結構有效的解決了一些困難問題，但所引來的知識體系缺乏一致性，系統(tǒng)性和一般性。越來越明顯的是，只要這兩派聯(lián)合將帶來自動控制科學和技術的新領域。近年來，一些研究以包含混合的觀念把兩者整合起來。例如，Cao等人[3]提出了一種方法，利用了模糊邏輯和現(xiàn)代控制理論的結合來分析和設計復雜控制系統(tǒng)，以獨特的數學結構包含了定性和定量的認識（引入魯棒控制理論和線

4、性非確定系統(tǒng)觀念去分析和設計模糊控制系統(tǒng)，穩(wěn)定性分析時用到了李亞普諾夫定理）。Shaw和Doyle【14】通過在一個IMC結構上線性化輸入輸出，對MIMO系統(tǒng)以及預測控制使用了神經控制。Wang和Wu【19】在極點分配問題中用到了反饋增益矩陣的神經估計。Jagannathan和Lewis【8】在辨認誤差方程的映射非線性函數中用神經網絡對付非線性辨認任務。Fuh和Tung【7】通過PopovLyapunov方法研究模糊控制系統(tǒng)的魯棒穩(wěn)定性

5、，把模糊系統(tǒng)轉化為具有不確定性和非線性的Lur系統(tǒng)。Lygeros【10】對混合系統(tǒng)提出了一個框架，擴充技術來自模糊系統(tǒng)和常規(guī)適應控制。Tanaka等人【18】在特征根配置時用到了具有模糊狀態(tài)反饋的TakagiSugeno模糊模型，獲得了模糊校正器和模糊觀測器，這是用線性矩陣不等式和李亞普諾夫定理系統(tǒng)地設計的。至于這個工作的順序，Ma等人【11】提出并證明了控制器－觀測器合成的模糊分離原理。Chen和Chang【4】以模糊的方法再想變化

6、模式控制，獲得了繼承了兩者優(yōu)點的混合控制器。本文旨在對這個方向作出貢獻。這里提出一種控制結構，其結合了具有自調整能力的循環(huán)Elman神經網絡模型，Elman網絡可以理解為一個非線性的狀態(tài)空間模型，所以這種以建模為目的的拓補網絡的使用在控制領域是極其自然的。在每一操作點，經過線性化神經模型而獲得一個標準的線性離散狀態(tài)空間模型。從而合成了一個極點配置和解耦的狀態(tài)反饋控制器，得出一個適應控制方案。為評估其潛在性，混合控制方案用于一個非線性多變

7、量的三箱系統(tǒng)。本文是這樣組織的。在章節(jié)2，給出用于模擬對象的修正Elman型RNN。在第3章節(jié)，解決極點配置控制器和解耦器的綜合。在章節(jié)4簡要介紹實驗室三箱系統(tǒng)并且給出一些實驗結果以展示所提方法的效果。最后，章節(jié)5是一些結論。這可以看作是非線性狀態(tài)空間模型，與（1），（2）表示的系統(tǒng)相似。的開始n段對應著隱藏狀態(tài)，而末段對應著前后狀態(tài)，成為非最小狀態(tài)維數。另外，由于考慮的是可測量問題，矩陣假設是已知且確定的。從而學習階段的目標在于找到未

8、知矩陣和。2.2學習方法論訓練循環(huán)學習有關的主要困難來自這樣的事實，網絡的輸出和它的與權有關的偏倒數取決于輸入（從訓練過程的開始）和網絡的初始狀態(tài)。因此，坡度的嚴格計算，表明考慮了所有過去歷史，是不實際的。然而本文里考慮到先前采樣周期的有限次數，坡度是近似的。訓練定義在一個變化窗口模式上，這里每一次步進水平辨識標準k，定義如（11）：模擬誤差由（12）給出，這里表示在步進k的實際對象狀態(tài)。已經提出幾種算法調節(jié)網絡的權值。這些方法的例子是

9、Narendra的逆?zhèn)鞑ァ?2】，Williams和Ziepser【21】的實時循環(huán)算法以及Werbos的時域逆?zhèn)鞑ァ?0】，等等。時域上的逆?zhèn)鞑ギ斍罢谎芯俊Ｗ鳛槠露刃蛣e算法的權值的更新（是已知且確定的）通過（13）給出：這里為連接第k次單元到第次單元的權，是學習速率，是附加要素條件。循環(huán)網絡擴展成一個多層的前向網絡，這里每一次步進都加上一個新的層。根據（14）和（15），導數的計算作為在一個標準的前向逆?zhèn)鞑ゾW絡情形來完成【15】，根