文档介绍：不确定离散系统的神经网络自适应控制方法研究
关键次:不确定,离散系统,神经网络,自适应控制
1  引言
在调节控制器时,首先要由系统输出反向传递到系统可控输入,才能运用一般的参数调节方法,但未知系统特性不可能事先精确预知,所以自适应控制理论在这个方向进展遇到障碍。而神经网络具有高度非线性映射能力和强大的学习适应能力以及特殊的分层结构,它与直接自适应控制方法的相结合可使问题得到解决。
近年来,神经网络的稳定性获得广泛的关注[1],对于未知非线性系统,以神经网络为基础的控制技术已被认为是非常有实际意义。许多神经网络自适应控制中的研究已经运用在不确定非线性连续系统[2-4]。然而,由于在离散系统中存在一些困难,例如在反推设计的非因果的问题,在离散邻域的工作远少于连续邻域[5-7]。对于一类严格反馈系统来说,已经提出用离散系统的自适应反推算法解决上述问题。随后,基于神经网络和模糊逻辑系统的带有未知函数的非线性离散系统在自适应控制器设计上取得了一些显著的进展。但这些方法的主要缺点是[8],有太多的自适应参数需要进行调整,从而高阶系统中的学习时间往往是令人无法接受,并且控制器落实不可避免的要消耗大量时间。本文利用反推控制技术和神经网络逼近性原理设计了一类离散非线性系统的自适应控制器,提出的控制方法只需考虑较少的自适应参数,减少了计算量,最后的仿真结果说明了本文方法的有效性。
2  系统描述和观测器设计
  非线性系统描述
非严格反馈离散非线性系统描述为:
其中:是状态向量,是控制输入,是系统输出,状态向量是不可测的,是未知的有界扰动,即:
。
本系统描述为一类非严格的离散非线性系统,可以采用一个一步神经网络观测器。
,并且它未来的值是可用的。
假定2. 未知光滑的函数是有界的,并且满足条件。
控制目标是使系统输出跟踪到期望的归迹。由于把考虑为不可用的状态,两个状态可通过观测器进行估算。而后,这个估算的状态被用于设计自适应NN输出反馈控制器。
  观测器的构建
考虑上述系统,为了简便,我们定义为,为
,其中和是未知光滑的向量函数。系统可重写为:
             
其中:
因为是不可测的,可设计一个观测器用来输入过去的值对状态向量进行估算。换而言之,要求一个观测器通过和能观测到的估计状态。因为控制输入是可用的,然而是未知的,它能通过神经网络逼近。因此能通过过去的值被估算出来,控制输入通过用一个动态映射用神经网络逼近。
可做为一个未知的光滑向量函数,它能通过NN进行逼近
其中:1,矩阵和代表目标输出和隐藏层的权重,隐藏层函数是隐藏层节点数,是函数逼近误差。(3)式表明:如果隐藏层权重在初始随机选择时保持不变,并且隐藏层节点数是充分大的,这个逼近误差能够任意小。
定义观测器:
其中估值,
是观测器的输入,矩阵是实际输出层重。
观测权重调节为:
其中:是设计参数。
3  自适应NN输出反馈控制
  Backstepping控制器设计
定义实际和期望归迹间的跟踪误差为:
其中:是期望归迹。
结合式(2)与式(7),可写为:
   (8)
通过观察作为一个虚拟的控制输入,期望的反馈控制可设计为:
 
与均为未知光滑的向量函数,期望的反馈控制并不能在实际