6.4基于RBF网络辨识的自校正控制

6.4基于RBF网络辨识的自校正控制1、神经网络自校正控制原理自校正控制有两种结构：直接型与间接型。直接型自校正控制也称直接逆动态控制，是前馈控制。间接自校正控制是一种由辨识器将对象参数进行在线估计，用调节器（或控制器）实现参数的自动整定相结合的自适应控制技术，可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。神经间接自校正控制结构如下图所示，它由两个回路组成：（1）自校正控制器与被控对象构成的反馈回路。（2）神经网络辩识器与控制器设计，以得到控制器的参数。辩识器的在线设计是自校正控制实现的关键。图1神经网络间接自校正控制框图控制器设计神经网络辩识器自校正控制器被控对象自校正控制算法考虑被控对象：其中，分别为对象的输入、输出，为非零函数。kukykygky1uy若，已知，根据“确定性等价原则”，控制器的控制算法为：1)(krgkug若，未知，则通过在线训练神经网络辨识器，由辨识器结果、代替、，控制器的控制算法为：NkrNNgku1)(ggNgN用于辨识的神经网络采用RBF网络实现，网络的权值采用梯度下降法来调节。RBF网络自校正控制算法采用两个RBF网络分别实现未知项、的辨识。RBF网络辨识器的结构如图2所示，和分别为两个神经网络的权值向量。gWV图2神经网络辨识器在RBF网络结构中，取网络的输入为，网络的径向基向量为，为高斯基函数：其中。为节点的基宽度参数，，为网络第个结点的中心矢量，，。kyT1,,mhhHjh)2-exp(-22jjjbkyhCmj,,1jbj0jbjCjmjcc111,,CT1,,mbbB两个RBF网络的输出分别为：mmjjwhwhwhkNg11mmjjvhvhvhkN11m1;1;1mykNgykWkNykVkuk辨识后，对象的输出为：其中为RBF网络隐层神经元的个数。网络的权向量为：T1,,mwwWT1,,mvvV采用梯度下降法调整网络的权值：khkykykwkEkwjmwjwj1jvvmjjEkvkykykhkukvk设神经网络调整的性能指标为：221kykykEm神经网络自校正控制系统的结构如图3所示。神经网络权值的调整过程为：211kkkkk211kkkkkVVVVV其中和为学习速率，为动量因子。wηvη图3神经网络自校正控制框图间接自校正控制可用于结构已知而参数未知但恒定的随机系统，也可用于结构已知而参数缓慢时变的随机系统。2、仿真实例被控对象为：其中，。)1(15))1(sin(8.0)(kukyky1sin8.0kykyg15kyRBF网络自校正控制程序为chap6_5.m本方法的局限性•由于采用梯度下降法调节网络的权值，无法保证控制系统的稳定性和收敛性。