混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用

1、混合神經(jīng)解耦極點(diǎn)配置控制器及其應(yīng)用摘要提出一種將循環(huán)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)整合到極點(diǎn)配置的混合控制結(jié)構(gòu)。該神經(jīng)網(wǎng)絡(luò)拓補(bǔ)包含了一個(gè)修正過的循環(huán)Elman網(wǎng)絡(luò)，以獲得所要控制對(duì)象的動(dòng)態(tài)學(xué)，通過計(jì)時(shí)運(yùn)算法則使用一個(gè)縮短的逆?zhèn)鞑プ鳛樵诰€執(zhí)行的相位學(xué)習(xí)。模擬一個(gè)普通非線性狀態(tài)空間系統(tǒng)時(shí)，神經(jīng)模型的每一次步進(jìn)，被線性化而產(chǎn)生一個(gè)離散線性時(shí)變狀態(tài)空間模型。神經(jīng)模型一旦線性化，就可以應(yīng)用一些良好的已建的標(biāo)準(zhǔn)控制策略。本工作里解耦極點(diǎn)配置控制器的設(shè)計(jì)被看成是首要的

2、，其與網(wǎng)絡(luò)的在線學(xué)習(xí)結(jié)合得到了一種自調(diào)整適應(yīng)的控制方案。實(shí)驗(yàn)室三箱系統(tǒng)收集的試驗(yàn)結(jié)果證實(shí)了所提方法的生存力和效果。關(guān)鍵詞：混合方法，循環(huán)神經(jīng)網(wǎng)絡(luò)，極點(diǎn)配置，解耦，多變量適應(yīng)控制。1導(dǎo)論過去十年的自動(dòng)控制變革被描述為兩個(gè)派別的對(duì)抗：一種基于解析代數(shù)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(dòng)發(fā)展了復(fù)雜，非線性，幾乎無法模型化的過程的控制系統(tǒng)。解析代數(shù)這一派，使用線性的非線性的嚴(yán)格方法，建立了一連貫知識(shí)體系，但仍然無法解決當(dāng)不

3、可能獲得足夠精確的過程和擾動(dòng)模型時(shí)的問題。而另一派，基于神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)，發(fā)展了大量的方法和結(jié)構(gòu)有效的解決了一些困難問題，但所引來的知識(shí)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(dòng)控制科學(xué)和技術(shù)的新領(lǐng)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(jié)合來分析和設(shè)計(jì)復(fù)雜控制系統(tǒng)，以獨(dú)特的數(shù)學(xué)結(jié)構(gòu)包含了定性和定量的認(rèn)識(shí)（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(shè)計(jì)模糊控制系統(tǒng)，穩(wěn)定性分析時(shí)用到了李亞普諾夫定理）。Shaw和Doyle【14】通過在一個(gè)IMC結(jié)構(gòu)上線性化輸入輸出，對(duì)MIMO系統(tǒng)以及預(yù)測(cè)控制使用了神經(jīng)控制。Wang和Wu【19】在極點(diǎn)分配問題中用到了反饋增益矩陣的神經(jīng)估計(jì)。Jagannathan和Lewis【8】在辨認(rèn)誤差方程的映射非線性函數(shù)中用神經(jīng)網(wǎng)絡(luò)對(duì)付非線性辨認(rèn)任務(wù)。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(zhuǎn)化為具有不確定性和非線性的Lur系統(tǒng)。Lygeros【10】對(duì)混合系統(tǒng)提出了一個(gè)框架，擴(kuò)充技術(shù)來自模糊系統(tǒng)和常規(guī)適應(yīng)控制。Tanaka等人【18】在特征根配置時(shí)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(cè)器，這是用線性矩陣不等式和李亞普諾夫定理系統(tǒng)地設(shè)計(jì)的。至于這個(gè)工作的順序，Ma等人【11】提出并證明了控制器－觀測(cè)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(diǎn)的混合控制器。本文旨在對(duì)這個(gè)方向作出貢獻(xiàn)。這里提出一種控制結(jié)構(gòu)，其結(jié)合了具有自調(diào)整能力的循環(huán)Elman神經(jīng)網(wǎng)絡(luò)模型，Elman網(wǎng)絡(luò)可以理解為一個(gè)非線性的狀態(tài)空間模型，所以這種以建模為目的的拓補(bǔ)網(wǎng)絡(luò)的使用在控制領(lǐng)域是極其自然的。在每一操作點(diǎn)，經(jīng)過線性化神經(jīng)模型而獲得一個(gè)標(biāo)準(zhǔn)的線性離散狀態(tài)空間模型。從而合成了一個(gè)極點(diǎn)配置和解耦的狀態(tài)反饋控制器，得出一個(gè)適應(yīng)控制方案。為評(píng)估其潛在性，混合控制方案用于一個(gè)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(duì)象的修正Elman型RNN。在第3章節(jié)，解決極點(diǎn)配置控制器和解耦器的綜合。在章節(jié)4簡(jiǎn)要介紹實(shí)驗(yàn)室三箱系統(tǒng)并且給出一些實(shí)驗(yàn)結(jié)果以展示所提方法的效果。最后，章節(jié)5是一些結(jié)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(duì)應(yīng)著隱藏狀態(tài)，而末段對(duì)應(yīng)著前后狀態(tài)，成為非最小狀態(tài)維數(shù)。另外，由于考慮的是可測(cè)量問題，矩陣假設(shè)是已知且確定的。從而學(xué)習(xí)階段的目標(biāo)在于找到未

8、知矩陣和。2.2學(xué)習(xí)方法論訓(xùn)練循環(huán)學(xué)習(xí)有關(guān)的主要困難來自這樣的事實(shí)，網(wǎng)絡(luò)的輸出和它的與權(quán)有關(guān)的偏倒數(shù)取決于輸入（從訓(xùn)練過程的開始）和網(wǎng)絡(luò)的初始狀態(tài)。因此，坡度的嚴(yán)格計(jì)算，表明考慮了所有過去歷史，是不實(shí)際的。然而本文里考慮到先前采樣周期的有限次數(shù)，坡度是近似的。訓(xùn)練定義在一個(gè)變化窗口模式上，這里每一次步進(jìn)水平辨識(shí)標(biāo)準(zhǔn)k，定義如（11）：模擬誤差由（12）給出，這里表示在步進(jìn)k的實(shí)際對(duì)象狀態(tài)。已經(jīng)提出幾種算法調(diào)節(jié)網(wǎng)絡(luò)的權(quán)值。這些方法的例子是

9、Narendra的逆?zhèn)鞑ァ?2】，Williams和Ziepser【21】的實(shí)時(shí)循環(huán)算法以及Werbos的時(shí)域逆?zhèn)鞑ァ?0】，等等。時(shí)域上的逆?zhèn)鞑ギ?dāng)前正被研究。作為坡度型別算法的權(quán)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(quán)，是學(xué)習(xí)速率，是附加要素條件。循環(huán)網(wǎng)絡(luò)擴(kuò)展成一個(gè)多層的前向網(wǎng)絡(luò)，這里每一次步進(jìn)都加上一個(gè)新的層。根據(jù)（14）和（15），導(dǎo)數(shù)的計(jì)算作為在一個(gè)標(biāo)準(zhǔn)的前向逆?zhèn)鞑ゾW(wǎng)絡(luò)情形來完成【15】，根