1.針對(duì)一類(lèi)參數(shù)未知的非線(xiàn)性離散時(shí)間動(dòng)態(tài)系統(tǒng)，提出了一種新的基于神經(jīng)網(wǎng)絡(luò)的MMAC方法。首先，將系統(tǒng)分為線(xiàn)性部分和非線(xiàn)性部分。針對(duì)系統(tǒng)線(xiàn)性部分采用局部化方法逮立多個(gè)固定模型覆蓋系統(tǒng)的參數(shù)范圍，在此基礎(chǔ)上，建立自適應(yīng)模型來(lái)提高系統(tǒng)性能；針對(duì)系統(tǒng)非線(xiàn)性部分建立非線(xiàn)性神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)邏近系統(tǒng)的非線(xiàn)性。然后，針對(duì)每個(gè)子模型設(shè)計(jì)相應(yīng)的擅制器。最后，設(shè)計(jì)基于誤差范數(shù)形式的性能指標(biāo)函數(shù)對(duì)控制器進(jìn)行硬切換。仿真結(jié)果表明，所提出的MMAC方法與傳統(tǒng)的在參數(shù)空間均勻分布的MMAC方法相比能顯著提高非線(xiàn)性系統(tǒng)的暫態(tài)性能。2針對(duì)一類(lèi)具有參數(shù)跳變的非線(xiàn)性離散時(shí)間動(dòng)態(tài)系統(tǒng)，提出子一種基才聚類(lèi)方法和神經(jīng)網(wǎng)絡(luò)的MMAC方法，首先，采用模糊c均值聚類(lèi)算法對(duì)系統(tǒng)先驗(yàn)數(shù)據(jù)進(jìn)行分類(lèi)處理，再分別對(duì)每類(lèi)數(shù)據(jù)采用RLS算法建立多個(gè)固定模型。在此基礎(chǔ)上，建立兩個(gè)白適應(yīng)模型來(lái)提高系統(tǒng)響應(yīng)速度和控制品質(zhì)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來(lái)補(bǔ)償系統(tǒng)非線(xiàn)性。然后，分別針對(duì)相應(yīng)的子模型設(shè)計(jì)線(xiàn)性魯棒自適應(yīng)控制器和神經(jīng)網(wǎng)絡(luò)控制器。最后，采用基于信號(hào)有界和測(cè)量誤差的性能切換指標(biāo)對(duì)控制器進(jìn)行切換，并證明閉環(huán)系統(tǒng)的穩(wěn)定性。仿真結(jié)果表明，所提出的算法能更好地解決非線(xiàn)性系統(tǒng)發(fā)生參數(shù)跳變問(wèn)題，使得系統(tǒng)具有良好的控制品質(zhì)3.針對(duì)MMAC方法中的模型庫(kù)優(yōu)化問(wèn)題，考慮系統(tǒng)實(shí)際運(yùn)行數(shù)據(jù)，提出了種基于相似度準(zhǔn)則和設(shè)置最大模型數(shù)的動(dòng)態(tài)優(yōu)化模型庫(kù)方法。該方法能對(duì)新數(shù)據(jù)進(jìn)行綜合考量并判斷是否應(yīng)該將該數(shù)據(jù)納入子模型建模，并通過(guò)設(shè)置最大模型數(shù)來(lái)確保系統(tǒng)用最少的子模型就能保證系統(tǒng)的控制性能。仿真結(jié)果表明，所提出的算法能極大地減少子模型數(shù)量且具有較好的控制效果。關(guān)鍵詞：非線(xiàn)性系統(tǒng)；多模型方法；自適應(yīng)控制；模糊聚類(lèi)；神經(jīng)網(wǎng)絡(luò)
標(biāo)簽：
自適應(yīng)控制
上傳時(shí)間：
2022-03-11
上傳用戶(hù)：
