RBF神經(jīng)網(wǎng)絡(luò)在滑模變結(jié)構(gòu)控制中的應(yīng)用研究.pdf

1、滑模變結(jié)構(gòu)控制具有響應(yīng)快和對(duì)系統(tǒng)參數(shù)以及外部干擾呈不變性的優(yōu)點(diǎn),而且其算法簡(jiǎn)單易于工程實(shí)現(xiàn),近年來(lái)在解決復(fù)雜非線性系統(tǒng)的綜合問(wèn)題時(shí)取得了比較突出的進(jìn)展。神經(jīng)網(wǎng)絡(luò)是一種具有高度非線性的連續(xù)時(shí)間動(dòng)力系統(tǒng),它有著很強(qiáng)的自學(xué)習(xí)功能和對(duì)非線性系統(tǒng)的強(qiáng)大映射能力。神經(jīng)網(wǎng)絡(luò)用于滑模變結(jié)構(gòu)控制,可實(shí)現(xiàn)自適應(yīng)滑?？刂?。本文主要研究滑模變結(jié)構(gòu)控制與RBF神經(jīng)網(wǎng)絡(luò)相結(jié)合的等效滑模變結(jié)構(gòu)控制,通過(guò)改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)以產(chǎn)生性能更為優(yōu)越的神經(jīng)網(wǎng)絡(luò)自適應(yīng)變結(jié)構(gòu)控制。

2、
　　 首先,根據(jù)變結(jié)構(gòu)控制的特點(diǎn)并且結(jié)合各種RBF神經(jīng)網(wǎng)絡(luò)在線控制算法提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)中心向量的動(dòng)態(tài)遞推算法,即對(duì)隱單元節(jié)點(diǎn)的中心采用動(dòng)態(tài)遞推算法,而對(duì)于隱單元節(jié)點(diǎn)的寬度和網(wǎng)絡(luò)權(quán)值則采用基于經(jīng)典梯度下降算法的動(dòng)量因子法進(jìn)行調(diào)整,仿真結(jié)果證明了該算法的可行性和有效性。
　　 然后,通過(guò)研究BP算法的改進(jìn)措施并且結(jié)合RBF神經(jīng)網(wǎng)絡(luò)在等效滑模變結(jié)構(gòu)控制中的應(yīng)用特點(diǎn),提出了一種基于自適應(yīng)學(xué)習(xí)速率的RBF網(wǎng)絡(luò)等效滑模

3、變結(jié)構(gòu)控制方法,即對(duì)網(wǎng)絡(luò)權(quán)值采用自適應(yīng)學(xué)習(xí)速率算法進(jìn)行迭代,而對(duì)于隱單元節(jié)點(diǎn)的中心和寬度則采用經(jīng)典梯度下降算法的動(dòng)量因子法進(jìn)行調(diào)整,仿真結(jié)果證明了其削弱抖振的能力優(yōu)于常規(guī)的梯度下降法。
　　 最后,針對(duì)一類(lèi)能采集到的等效滑模變結(jié)構(gòu)在線控制數(shù)據(jù)的變結(jié)構(gòu)控制問(wèn)題,將經(jīng)典的遺傳算法和RBF神經(jīng)網(wǎng)絡(luò)結(jié)合起來(lái),提出了兩種基于GA_RBF的等效滑模變結(jié)構(gòu)控制方法,即基于梯度下降算法的GA_RBF網(wǎng)絡(luò)補(bǔ)償控制器的滑模變結(jié)構(gòu)控制和基于K.Fur

4、uta控制算法的GA_RBF網(wǎng)絡(luò)補(bǔ)償控制的滑?？刂?。這兩種控制算法應(yīng)用遺傳算法的優(yōu)化方案和優(yōu)化原理相同,但因其采集數(shù)據(jù)的不同而又具有不同的應(yīng)用?；谔荻认陆邓惴ǖ腉A_RBF網(wǎng)絡(luò)補(bǔ)償控制器的滑模變結(jié)構(gòu)控制器能進(jìn)一步提高系統(tǒng)位置跟蹤的精度;基于K.Furuta控制算法的GA_RBF網(wǎng)絡(luò)補(bǔ)償控制的滑?？刂破髂苁剐碌玫降幕贕A_RBF網(wǎng)絡(luò)補(bǔ)償控制的滑?？刂破骶哂蠯.Furuta控制算法的穩(wěn)定性和不需要知道RBF神經(jīng)網(wǎng)絡(luò)不確定部分的上界的優(yōu)點(diǎn)