小波神經(jīng)網(wǎng)絡及其在板形板厚控制系統(tǒng)中的應用研究.pdf

1、小波神經(jīng)網(wǎng)絡是建立在小波分析理論基礎上的一種新型神經(jīng)網(wǎng)絡。由于其兼容了小波分析與神經(jīng)網(wǎng)絡的優(yōu)點，因此在非線性函數(shù)逼近、非線性動態(tài)系統(tǒng)建模與辨識、非線性系統(tǒng)控制以及故障診斷等方面都得到了廣泛的應用。 板形板厚控制(AFC-AGC)系統(tǒng)是一個具有耦合、非線性、時滯的復雜多變量系統(tǒng)。如何提高板形板厚綜合系統(tǒng)的控制水平，則成為一個技術難點和亟待解決的問題。 本文在對小波神經(jīng)網(wǎng)絡的學習算法、建模等深入研究的基礎上，將小波神經(jīng)網(wǎng)絡用

2、于板形板厚控制系統(tǒng)中，取得了較好的效果。論文主要對下面幾個問題進行了研究： 1.目前連續(xù)小波神經(jīng)網(wǎng)絡多以BP算法為主，其算法容易存在局部極小，而且網(wǎng)絡的拓撲結構需要通過試湊等方法確定，效率較低。針對這一問題，本文將混合遺傳算法用于連續(xù)小波神經(jīng)網(wǎng)絡的優(yōu)化，該算法采用二進制與實值編碼共存的多值編碼方式，減小了染色體編碼長度，同時在遺傳算法中嵌入梯度下降算子，提高了算法的收斂速度。利用該方法可同時優(yōu)化小波神經(jīng)網(wǎng)絡的網(wǎng)絡拓撲結構和網(wǎng)絡參

3、數(shù)，從而使得連續(xù)小波神經(jīng)網(wǎng)絡的學習具有較高的學習效率。 2.傳統(tǒng)的神經(jīng)網(wǎng)絡學習是采用建立在大樣本基礎上的經(jīng)驗風險最小化原則。當樣本數(shù)目較少時，并不能保證網(wǎng)絡的泛化能力。但是在實際問題中，人們可得到的學習樣本是有限的，特別是對于多維輸入，要得到充滿整個空間的樣本幾乎是不可能的。針對小波神經(jīng)網(wǎng)絡中的離散仿射小波神經(jīng)網(wǎng)絡訓練問題，本文在研究統(tǒng)計學理論的基礎上，提出了以結構風險最小化為目標的小波神經(jīng)網(wǎng)絡訓練方法。該方法首先根據(jù)樣本數(shù)據(jù)和

4、小波基函數(shù)的時頻局部化特性構造隱含層函數(shù)集，并按照小波基函數(shù)的能量大小來建立函數(shù)嵌套結構，同時采用正交最小二乘法來訓練網(wǎng)絡權值，保證訓練的小波神經(jīng)網(wǎng)絡結構風險最小化。該方法不僅具有較高的收斂速度，而且最大限度地保證了網(wǎng)絡的泛化能力。 3.把板形控制、板厚控制作為一個整體考慮，建立了板形板厚綜合系統(tǒng)數(shù)學模型。針對其系統(tǒng)特點，提出了一種基于小波神經(jīng)網(wǎng)絡的逆控制方案。該方法采用兩個結構相同的小波神經(jīng)網(wǎng)絡構造Smith預估器，且預估器的

5、輸入?yún)?shù)與時延階次無關，從而較好地解決了小波神經(jīng)網(wǎng)絡對維數(shù)較為敏感的問題；同時采用神經(jīng)網(wǎng)絡逆控制的思想，設計了小波神經(jīng)網(wǎng)絡控制器，并引入多步預測性能指標函數(shù)對小波神經(jīng)網(wǎng)絡控制器權值進行在線訓練，使得該控制系統(tǒng)具有較快的響應速度和良好的動態(tài)性能。該方法為有效解決板形板厚綜合控制系統(tǒng)的難題提供了一種新方法、新途徑。 4.在板形板厚控制系統(tǒng)中采用小波神經(jīng)網(wǎng)絡α階時延逆系統(tǒng)構建解耦器，并將該逆系統(tǒng)與原系統(tǒng)串聯(lián)后形成一個偽線性復合系統(tǒng)，從