控制與辨識問題中的學習機制研究.pdf

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

2、的特性。一關節(jié)機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習辨識的研究，主要研究對象是模塊化神經網絡。對基于“一專多能”思想的模塊化神經網絡的子網訓練算法作了系統(tǒng)的實驗研究。在研究過程中，主要運用的“一專多能”的思想可以概括為模塊化神經網路的子網不僅學習主要指標，而且學習輔助指標。該章還討論了距離測度和隸屬度次數對系統(tǒng)辨識性能的影響。
　　本文第四章主要目的是為“一專多能”模塊化神經網絡構建一個高效的學

3、習框架使其成為“多專多能”模塊化神經網絡。首先，構建了一個純順序執(zhí)行的子網學習算法，并且對收斂性作出了分析。然后，在“多專多能”模塊化神經網絡中為子網找到一個先充分后等價的學習條件，該學習條件符合先前設計的子網學習指標。十個辨識問題被用來測試新學習框架在應對低維數據時的效率和性能。進一步，偏差和方差分析表明“多專多能”模塊化神經網絡對性能的改進是存在最大能力的，即不是輔助訓練目標越多效果就越好。另外受模塊化學習的啟發(fā)，我們設計了超級神經