基于操作性條件反射的神經(jīng)網(wǎng)絡(luò)自適應控制.pdf

1、隨著控制對象及其目標、任務(wù)和所處環(huán)境的復雜性提高，基于系統(tǒng)模型與規(guī)則的傳統(tǒng)控制方法愈發(fā)難以滿足其對于系統(tǒng)控制品質(zhì)的要求。研究針對復雜非線性系統(tǒng)的新一代智能控制方法，對加強系統(tǒng)的自學習和自適應能力以及確保系統(tǒng)平穩(wěn)安全運行具有理論價值和實際指導意義。
　　本論文旨在研究具有高性能、低成本、易于集成等特點的智能控制方法，致力于解決理論在工程化過程中遇到的問題，特別是因?qū)嶋H系統(tǒng)模型的嚴重非線性、結(jié)構(gòu)漂移、不確定外界擾動、機械結(jié)構(gòu)磨損、核心

2、部件（執(zhí)行器，傳感器）功能失效、子系統(tǒng)故障所導致的控制性能惡化問題。為實現(xiàn)這一目標，論文首次提出將神經(jīng)科學中的客觀規(guī)律與神經(jīng)網(wǎng)絡(luò)控制理論相結(jié)合，設(shè)計更為貼近腦神經(jīng)系統(tǒng)特征的自適應控制器。在優(yōu)化神經(jīng)網(wǎng)絡(luò)的組織結(jié)構(gòu)的同時，使其能夠在非線性系統(tǒng)控制中發(fā)揮出更好的自學習與自適應能力，從而提高系統(tǒng)的整體控制性能，如控制精度、收斂速度、運算效率、抗干擾性和運行平穩(wěn)性等。鑒于此，論文的研究圍繞以下內(nèi)容展開。
　　1、從操作性條件反射學習原理出發(fā)

3、，提出一種面向智能系統(tǒng)的獎賞機制和具有神經(jīng)自適應單元的操作性條件反射仿生模型(OCBM)。該模型具有自動調(diào)節(jié)權(quán)值、神經(jīng)元子網(wǎng)絡(luò)數(shù)量和基函數(shù)結(jié)構(gòu)參數(shù)的能力。針對一類未知高階非仿射系統(tǒng)，設(shè)計基于OCBM的仿生控制器，并利用OCBM網(wǎng)絡(luò)對系統(tǒng)中的混合未知不確定項進行學習。以李雅普諾夫穩(wěn)定性分析為基礎(chǔ)，所得出的控制策略可以確保閉環(huán)系統(tǒng)的最終一致收斂。通過仿真對比研究，進一步驗證了OCBM控制方法能夠應對系統(tǒng)模型未知、結(jié)構(gòu)漂移和不確定外界干擾等情

4、況，并且在收斂速度、控制精度和運算效率方面優(yōu)于一些傳統(tǒng)方法。
　　2、結(jié)合局部權(quán)值學習框架，對OCBM網(wǎng)絡(luò)進行系統(tǒng)地改良。提出負責引導神經(jīng)元簇自動添加過程的有限神經(jīng)元自增長(FNSG)策略，形成了神經(jīng)元可按需生長的自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)雛形。另一改進在于受限李雅普諾夫函數(shù)(BLF)的使用，確保了神經(jīng)網(wǎng)絡(luò)訓練輸入能夠始終滿足緊集先決條件，避免了切換控制中信號的不連續(xù)問題。同時，通過設(shè)計光滑飽和函數(shù)、連續(xù)權(quán)值更新律以及高斯權(quán)重函數(shù)，控制器

5、信號在除神經(jīng)元簇生成的瞬時時刻外具有光滑連續(xù)性。相比元數(shù)固定和自組織控制方法，仿真結(jié)果表明，基于FNSG策略的控制器可以有效抑制冗余神經(jīng)元的生成，節(jié)省系統(tǒng)運行資源。
　　3、基于對腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和調(diào)節(jié)機制的發(fā)現(xiàn)，構(gòu)建一種具有時變理想權(quán)值、多元化基函數(shù)、神經(jīng)元可自動增減特征的多內(nèi)涵自調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)（MSAE-NN）。針對一類模型不連續(xù)的高階非仿射系統(tǒng)，提出基于MSAE-NN的控制方法。結(jié)合魯棒自適應和BLF的設(shè)計方法，集中解決了因無

6、法滿足萬能逼近定理而導致的神經(jīng)網(wǎng)絡(luò)功能失效問題。此外，將FNSG策略拓展為神經(jīng)元可自動增加或減少的方案，并引入了神經(jīng)元平滑增減操作函數(shù)，使控制信號在神經(jīng)元新增和被剔除時仍具有平滑性，從而提升系統(tǒng)的整體控制品質(zhì)。
　　4、以多自由度機器人系統(tǒng)為研究對象，將MSAE-NN拓展應用到多輸入多輸出的非仿射系統(tǒng)中。結(jié)合關(guān)節(jié)空間和笛卡爾空間的具體任務(wù)，設(shè)計基于MSAE-NN的神經(jīng)自適應控制方法，用于應對不確定跳變擾動和執(zhí)行器完全失效的情形。通