針對未知非線性系統神經網絡預測控制的局部滾動優(yōu)化問題,本文利用BP神經網絡、RBF神經網絡建立了一步及多步預測模型,分別通過Newton-Raphson算法、Levenb erg-Marquardt算法對BP神經網絡兩步預測控制、RBF神經網絡三步預測控制進行了滾動優(yōu)化。仿真結果表明局部優(yōu)化存在初值問題,容易造成算法收斂到一個不可預料的極小點處,從而造成預測控制系統無法有效跟蹤輸出參考信號。按照其它文獻指出的,將初值選在上一時刻的控制量處無助于問題的解決。為此,本文分析了全局最小點的存在范圍,并提出了將初值選在最優(yōu)性能點處,使得局部優(yōu)化的結果不超過最優(yōu)性能點處的目標函數值；通過動態(tài)校正權重因子的方法,實現在最優(yōu)性能點與當前控制點之間一定存在極小值,進一步使得局部優(yōu)化收斂到該極小值；最優(yōu)性能點的計算利用了逆神經網絡。理論分析和仿真實驗都表明了這種方法的有效性。針對未知非線性系統神經網絡預測控制的全局滾動優(yōu)化問題,本文利用只包含一個隱層的前向網絡建立了系統的一步預測模型,其中的隱層神經元以Sigmoid函數為激勵函數；根據分支定界的框架,利用區(qū)間分析實現了對神經網絡輸出的定界,設計了全局滾...

【文章頁數】：129 頁

【學位級別】：博士

【部分圖文】：

圖２－４控制量時間序列??Ｆｉｇｕｒｅ?２－４?Ｍａｎｉｐｕｌａｔｅｄ?ｖａｒｉａｂｌｅ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

進行ＢＰ神經網絡的建模。??２．?５．?１?ＢＰ神經網絡建模??首先確定ＢＰ神經網絡的輸入輸出：由圖２－１知，網絡的輸入維數Ｋ?＝??＝２，輸入向量的結構形式為；［ｙ㈱Ｍ腳Ｔ；網絡輸出為；；ｍ（Ａ＋ｌ），所Ｗ需要構造??一個如圖２－１所示，兩輸入一輸出的ＢＰ神經網絡，可Ｗ利用ＭＡ....

圖２－５輸出時間序列??Ｆｉｇｕｒｅ?２－５?Ｏｕｔｐｕｔ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

?將ＸＩ）初始化為０，通過遞歸調用公式（２－２句，可Ｗ計算出系統的輸出時間序列??施），Ｘ３），…，＿ｙ（１００１），得到的輸出時間序列如圖２－５所示。將［ｙ㈱Ｍ腳Ｔ做??輸入數據序列，＿ＫＡ＋１；）做輸出時間序列，扛１，２，…，１０００，貝柯Ｗ得到１０００??個樣本數據。??１....

圖２－８多點階躍跟蹤結果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??

＞＞腳＝０．８、於爐￣４?＝?０．１、於爐￣２）?＝?０．９，分別將Ｍ腳、＂爐￣；１）在［－２，?：２］區(qū)間范圍內??按增量為０．０１取值，并計算相應的目標函數值，在ＭＡＴＬＡＢ中使用＂ｓｕｒｆ＂繪??圖函數將目標函數繪制，其變化曲面如圖２－９所示，此時，目標函數在＾／貨＋１）＝....

圖２－９目標函數變化曲面圖??Ｆｉｇｕｒｅ?２－９?Ｓｕｒｆａｃｅ?ｏｆ?ｏｂｊｅｃｔｉｖｅ?ｆｕｎｃｔｉｏｎ??

?５?１０?１５?２０?２５?３０?３５??采樣時刻?ｋ??圖２－８多點階躍跟蹤結果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??２．?６?問題分析（巧ｏｂｌｅｍ?ａｎａｌｙｓｉｓ）??通過逐步的大量仿真調試，可Ｗ發(fā)現，造成系統輸出＞＞....

本文編號：3905328