控制與辨識問題中的學(xué)習(xí)機(jī)制研究.pdf

1、在文獻(xiàn)綜述的基礎(chǔ)上，本文研究了在線學(xué)習(xí)及其在控制中的應(yīng)用，離線學(xué)習(xí)及其在辨識中的應(yīng)用。
　　本文第二章集中于研究一類系統(tǒng)的學(xué)習(xí)控制，一種周期自適應(yīng)控制算法被提出來，該方法主要被用來應(yīng)對周期參數(shù)（包括周期和其上界）不確定的一類非線性系統(tǒng)。在學(xué)習(xí)控制算法中，一個限幅自適應(yīng)控制律被用來估計(jì)未知參數(shù)向量;一個邏輯切換算法被用來在線整定參數(shù)向量未知周期和上界。使用李雅普諾夫能量函數(shù)進(jìn)行分析，可以得到跟蹤誤差漸進(jìn)收斂而且所有系統(tǒng)信號均保持有界

2、的特性。一關(guān)節(jié)機(jī)械手模型被用來測試控制算法的有效性。
　　本文第三章主要集中于學(xué)習(xí)辨識的研究，主要研究對象是模塊化神經(jīng)網(wǎng)絡(luò)。對基于“一專多能”思想的模塊化神經(jīng)網(wǎng)絡(luò)的子網(wǎng)訓(xùn)練算法作了系統(tǒng)的實(shí)驗(yàn)研究。在研究過程中，主要運(yùn)用的“一專多能”的思想可以概括為模塊化神經(jīng)網(wǎng)路的子網(wǎng)不僅學(xué)習(xí)主要指標(biāo)，而且學(xué)習(xí)輔助指標(biāo)。該章還討論了距離測度和隸屬度次數(shù)對系統(tǒng)辨識性能的影響。
　　本文第四章主要目的是為“一專多能”模塊化神經(jīng)網(wǎng)絡(luò)構(gòu)建一個高效的學(xué)

3、習(xí)框架使其成為“多專多能”模塊化神經(jīng)網(wǎng)絡(luò)。首先，構(gòu)建了一個純順序執(zhí)行的子網(wǎng)學(xué)習(xí)算法，并且對收斂性作出了分析。然后，在“多專多能”模塊化神經(jīng)網(wǎng)絡(luò)中為子網(wǎng)找到一個先充分后等價(jià)的學(xué)習(xí)條件，該學(xué)習(xí)條件符合先前設(shè)計(jì)的子網(wǎng)學(xué)習(xí)指標(biāo)。十個辨識問題被用來測試新學(xué)習(xí)框架在應(yīng)對低維數(shù)據(jù)時(shí)的效率和性能。進(jìn)一步，偏差和方差分析表明“多專多能”模塊化神經(jīng)網(wǎng)絡(luò)對性能的改進(jìn)是存在最大能力的，即不是輔助訓(xùn)練目標(biāo)越多效果就越好。另外受模塊化學(xué)習(xí)的啟發(fā)，我們設(shè)計(jì)了超級神經(jīng)