2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩113頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、在實際控制問題中,由于被控對象在不同工況下系統(tǒng)的參數(shù)或結(jié)構(gòu)的變化,傳統(tǒng)的自適應控制算法是無能為力。針對傳統(tǒng)自適應控制和現(xiàn)有多模型自適應切換控制理論和方法中存在的問題,研究面向復雜系統(tǒng)的多模型切換控制新理論和新方法。本文對多模型建模與控制的若干問題作了研究和探索。主要研究內(nèi)容包括: ·針對被控系統(tǒng)在不同工況下的模型參數(shù)突變,系統(tǒng)暫態(tài)響應特性較差,提出基于在線學習的多模型自適應控制方法。應用動態(tài)模型庫技術(shù)來建立多模型,并證明該算法能

2、夠保證閉環(huán)系統(tǒng)的穩(wěn)定性和跟蹤誤差的漸近收斂性。仿真結(jié)果表明所提出的建模方法和相應的多模型自適應控制器使系統(tǒng)的動態(tài)響應品質(zhì)得到了明顯的改善。 ·基于神經(jīng)網(wǎng)絡強大的學習能力和非線性逼近能力,給出面向復雜系統(tǒng)的神經(jīng)網(wǎng)絡多模型切換控制方法。采用最近鄰聚類學習算法對樣本分類,并利用RBF神經(jīng)網(wǎng)絡進行離線建模。系統(tǒng)運行時在線檢測系統(tǒng)當前狀態(tài),若超出現(xiàn)有各子模型所構(gòu)成的狀態(tài)空間,利用在線神經(jīng)網(wǎng)絡學習新狀態(tài)并建立新的子模型加入動態(tài)模型庫中,從而

3、增強系統(tǒng)的魯棒性。仿真結(jié)果表明該算法的有效性。 ·針對傳統(tǒng)多模型自適應控制中子模型數(shù)量過多的問題,給出一種基于遞階結(jié)構(gòu)的多模型自適應控制算法。將整個控制系統(tǒng)分為基本工況級和控制模型級的兩層遞階結(jié)構(gòu)。在系統(tǒng)運行過程中,由常規(guī)自適應模型和重新賦值自適應模型在線自動地建立多模型及相應的控制器。該方法有效地減少了子模型數(shù)量和計算時間。 ·將最小方差控制技術(shù)、神經(jīng)網(wǎng)絡的逼近能力及多模型切換控制技術(shù)相結(jié)合,給出一種基于RBF神經(jīng)網(wǎng)絡

4、動態(tài)補償?shù)亩嗄P涂刂品椒ā@美顏喥罩Z夫函數(shù)方法推導出了網(wǎng)絡權(quán)值的自適應調(diào)整律。采用具有積分性質(zhì)的切換指標函數(shù)作為切換法則和最小方差的控制方法構(gòu)成了多模型自適應控制器。該算法有效地消除不確定引起的控制誤差。 ·將模糊理論與多模型控制技術(shù)相結(jié)合,給出一種模糊多模型控制算法。首先,在平衡點附近建立多個子模型及相應的控制器。其次,通過在線計算模型匹配度來適應模型參數(shù)的變化。最后,被控對象的輸入是各控制器輸出的加權(quán)和。證明了該算法能保證

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論