论文部分内容阅读
随着现代科学技术的突飞猛进和生产规模的日益扩大,在工业自动化生产过程当中出现了大量的复杂非线性系统,为了解决这些复杂工业系统的控制问题,自适应逆控制(AIC,Adaptive Inverse Control)作为一种新颖的控制方法被提出。到目前为止,线性AIC方法相对比较成熟,而非线性AIC的研究成果却不多。非线性自适应滤波器和非线性AIC结构是决定非线性AIC性能的关键,而神经网络的飞速发展给非线性AIC提供了强有力的非线性自适应滤波器。本文利用神经网络设计相应的非线性自适应滤波器,并将其应用到非线性AIC系统,实现对非线性系统的控制。首先,在广泛查阅文献的基础上,全面地综述了当前国内外AIC的研究现状;阐述了 AIC的基本思想和原理,并详细描述了神经网络滤波原理,为接下来基于神经网络滤波器建模、逆建模以及整个系统自适应逆控制做铺垫。其次,在对非线性对象进行建模时,针对基于局部误差的固定速率BP神经网络滤波器建模方法具有模型泛化能力低,模型精度受到学习速率大小支配的缺点,采用了一种改进的变速率BP神经网络滤波器建模方法,通过仿真实验表明在此方法下的非线性被控对象的建模,不仅克服了固定速率BP神经网络滤波器建模精度受到学习速率大小支配的问题,而且所建模型的泛化能力也得到了大大的提高。再次,在对非线性对象进行逆建模时,针对用BP神经网络设计逆控制器时,BP算法较为复杂致使收敛速度缓慢,模型精度不高而无法满足要求的问题,采用了基于正交神经网络自适应滤波器的逆建模方法,对逆控制器进行设计。根据这一设计思路,详细推导了正交神经网络逆控制器的学习算法,通过对时不变离散非线性系统进行仿真研究,表明该方法在非线性对象逆建模中能取得较好的效果。最后,在完成非线性对象建模与逆建模的基础上,采用基于神经网络的模型参考AIC系统,实现对非线性被控对象的控制。仿真实验显示非线性AIC系统能够较好地工作,自适应能力很强,说明了本文方案在实现对非线性系统的AIC上具有可行性和有效性。