在實際的工業(yè)生產(chǎn)中,復雜的非線性系統(tǒng)往往具有一個甚至多個非線性環(huán)節(jié),并且常常伴隨著外界干擾、子系統(tǒng)動態(tài)變化、系統(tǒng)參數(shù)跳變等問題的發(fā)生,這將會使得系統(tǒng)的控制變得困難。傳統(tǒng)的自適應控制方法無法對這類復雜的非線性系統(tǒng)進行有效的控制,而多模型自適應控制(Multiple Model Adaptive Control,MMAC)方法為這類復雜非線性系統(tǒng)的控制提供了一個很好的解決思路。因此,本文利用MMAC方法理論解決了一類復雜非線性系統(tǒng)中存在系統(tǒng)參數(shù)未知,系統(tǒng)參數(shù)跳變時的控制問題以及MMAC中子模型過多導致系統(tǒng)計算量增大的問題。具體研究如下:1.針對一類參數(shù)未知的非線性離散時間動態(tài)系統(tǒng),提出了一種新的基于神經(jīng)網(wǎng)絡的MMAC方法。首先,將系統(tǒng)分為線性部分和非線性部分。針對系統(tǒng)線性部分采用局部化方法建立多個固定模型覆蓋系統(tǒng)的參數(shù)范圍,在此基礎(chǔ)上,建立自適應模型來提高系統(tǒng)性能;針對系統(tǒng)非線性部分建立非線性神經(jīng)網(wǎng)絡預測模型來逼近系統(tǒng)的非線性。然后,針對每個子模型設(shè)計相應的控制器。最后,設(shè)計基于誤差范數(shù)形式的性能指標函數(shù)對控制器進行硬切換。仿真結(jié)果表明,所提出的MMAC方法與傳統(tǒng)的在參數(shù)空間均勻分布的MM... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：82 頁

【學位級別】：碩士

【部分圖文】：

典型的MMAC系統(tǒng)結(jié)構(gòu)框圖

碩士學位論文( ) ( ( 1), , ( ); ( 1), , ( ))m my t f y t y t n u t u t m入取為X (t ) y (t 1), , y (t n ); u (t 1), , u (t m) ，輸數(shù)取為 log sigmoid函數(shù)，即：1( )1xf xe 導數(shù)為： '2( )1xxef xe 性系統(tǒng)辨識的 BP 神經(jīng)網(wǎng)絡結(jié)構(gòu)圖如下圖 2.1 所示：

T [2.6, 1.2,1,0.5]，所建立的固定模型參數(shù)i ， i 1,2, ,h按照下面變化，則：0101[2.0,2.2,2.4,2.6,2.8,3.0][ 2.0, 1.6, 1.2, 0.8, 0.4,0.0][0.0,0.4,0.8,1.2,1.6,2.0][0.0,0.2,0.4,0.6,0.8,1.0]aabb （3可知，基于局部化方法一共建立 1296 個固定模型，不妨令 2ir 即可建模的半徑要求。所建立的兩個自適應模型和神經(jīng)網(wǎng)絡模型的初始參T[2, 1,0.6,1]。對系統(tǒng)的非線性部分分別采用第 3 章 3、4 小節(jié)所介紹的 BP 神經(jīng)網(wǎng)經(jīng)網(wǎng)絡對其進行辨識。輸入層節(jié)點為 y (t ), y (t 1); u (t ), u (t 1) ，輸出層 )t ，基于 3 層結(jié)構(gòu)的 BP 神經(jīng)網(wǎng)絡其參數(shù)的選擇為：隱含層節(jié)點個數(shù)取習速率 0.6，并取動量項因子 0.05�；� RBF 神經(jīng)網(wǎng)絡其參數(shù)的含層節(jié)點個數(shù)取值為 8，學習速率 0.8，并取動量項因子 0.05。

【參考文獻】：
期刊論文
[1]基于改進仿射傳播的多模型軟測量建模及應用研究[J]. 熊偉麗,葛祥振,徐保國.  信息與控制. 2018(02)
[2]一類工業(yè)運行過程多模型自適應控制方法[J]. 富月,杜瓊.  自動化學報. 2018(07)
[3]基于切換的多模型二階段自適應控制器設(shè)計[J]. 王振雷,毛福興,王昕.  控制與決策. 2018(01)
[4]基于RBF神經(jīng)網(wǎng)絡的風力發(fā)電機組系統(tǒng)辨識研究[J]. 楊震宇,王青,魏新剛,應有,孫勇.  機電工程. 2017(06)
[5]非線性多變量零階接近有界系統(tǒng)的多模型自適應控制[J]. 黃淼,王昕,王振雷.  自動化學報. 2014(09)
[6]一類非線性系統(tǒng)的基于時間序列的多模型自適應控制[J]. 黃淼,王昕,王振雷.  自動化學報. 2013(05)
[7]基于輸入輸出數(shù)據(jù)的一體化多模型建模與控制[J]. 吳一鳴,雷虎民,邵雷,劉代軍.  電光與控制. 2011(08)
[8]基于數(shù)據(jù)的多模型分數(shù)階PID控制方法[J]. 廖勇,麻信洛,齊俊杰,蘇錫亮.  北京理工大學學報. 2011(05)
[9]一種基于差分進化算法的多模型建模方法[J]. 李慶良,雷虎民,邵雷,陳治湘.  控制與決策. 2010(12)
[10]基于神經(jīng)網(wǎng)絡和多模型的非線性離散自適應控制[J]. 王大海,王昕,王振雷,錢鋒.  計算機與應用化學. 2010(10)

博士論文
[1]非線性離散時間系統(tǒng)多模型自適應控制策略研究[D]. 黃淼.華東理工大學 2015
[2]熱工過程多模型控制理論與方法的研究[D]. 郭啟剛.華北電力大學（河北） 2007

碩士論文
[1]多模型自適應控制在過熱氣溫控制系統(tǒng)中的應用研究[D]. 于紅霞.東北大學 2008
[2]多模型自適應控制及其在熱工過程中的應用[D]. 左燕.華北電力大學（北京） 2003



本文編號：2936122