1、。开始段对应着隐藏状态，而末段对应着前后状态，成为非最小状态维数。另外，由于考虑是可测量问题，矩阵假设是已知且确定。从而学习阶段目标在于找到未知矩阵和。.学习方法论训练循环学习有关主要困难来自这样事实，网络输出和它与权有关偏倒数取决于输入从训练过程开始和网络初始状态。因此，坡度严格计算，表明考虑了所有过去历史，是不实际。然而本文里考虑到先前采样周期有限次数，坡度是近似。训练定义在个变化窗口模式上，这里每次步进水平辨识标准，定义如模拟误差由给出，这里表示在步进实际对象状态。已经提出几种算法调节网络权值。这些方法例子是逆传播，和实时循环算法以及时域逆传播，等等。时域上逆传播当前正被研究。作为坡度型别算法权值更新是已知且确定通过给出这里为连接第次单元到第次单元权，是学习速率，是附加要素条件。循环网络扩展成个多层前向网络。
2、方法已在个非线性实际过程测试过，并获得了很好效果。然而，为了研究稳定性般工具和这种结构鲁棒性，需要进步研究。致谢本研究得到了葡萄牙科技部门支持，属于计划。出种控制结构，其结合了具有自调整能力循环神经网络模型，网络可以理解为个非线性状态空间模型，所以这种以建模为目拓补网络使用在控制领域是极其自然。在每操作点，经过线性化神经模型而获得个标准线性离散状态空间模型。从而合成了个极点配置和解耦状态反馈控制器，得出个适应控制方案。为评估其潜在性，混合控制方案用于个非线性多变量三箱系统。本文是这样组织。在章节，给出用于模拟对象修正型。在第章节，解决极点配置控制器和解耦器综合。在章节简要介绍实验室三箱系统并且给出些实验结果以展示所提方法效果。最后，章节是些结论。用网络进行系统辨识出于模拟目，假设将要控制对象是用方程和多变量离散时。
3、每操作点，经过线性化神经模型而获得个标准线性离散状态空间模型。从而合成了个极点配置和解耦状态反馈控制器，得出个适应控制方案。为评估其潜在性，混合控制方案用于个非线性多变量三箱系统。本文是这样组织。在章节，给出用于模拟对象修正型。在第章节，解决极点配置控制器和解耦器综合。在章节简要介绍实验室三箱系统并且给出些实验结果以展示所提方法效果。最后，章节是些结论。用网络进行系统辨识出于模拟目，假设将要控制对象是用方程和多变量离散时间非线性状态空间描述其中和是非线性函数和分别是离散时间上输入和输出矢量。表示状态矢量，假设其是直接可观修正后网络由于它些特征，例如近似离散时间非线性系统能力，和其作为状态空间模型理解，这里考虑是修正后网络。已经提出种局部循环网络，其前向节点是可调整循环节点是固定。理论上说，具有个隐藏单元网络能够代。
4、过去十年自动控制变革被描述为两个派别对抗种基于解析代数方法，而另种是基于来自人工智能信息处理工具。两者都推动发展了复杂，非线性，几乎无法模型化过程控制系统。解析代数这派，使用线性非线性严格方法，建立了连贯知识体系，但仍然无法解决当不可能获得足够精确过程和扰动模型时问题。而另派，基于神经网络和模糊系统，发展了大量方法和结构有效解决了些困难问题，但所引来知识体系缺乏致性，系统性和般性。越来越明显是，只要这两派联合将带来自动控制科学和技术新领域。近年来，些研究以包含混合观念把两者整合起来。例如，等人提出了种方法，利用了模糊逻辑和现代控制理论结合来分析和设计复杂控制系统，以独特数学结构包含了定性和定量认识引入鲁棒控制理论和线性非确定系统观念去分析和设计模糊控制系统，稳定性分析时用到了李亚普诺夫定理。和通过在个结构上线性化。
5、循环网络扩展成个多层前向网络，这里每次步进都加上个新层。根据和，导数计算作为在个标准前向逆传播网络情形来完成，根据，计算值，其中且。这步开始于时间，且控制策略.出种控制结构，其结合了具有自调整能力循环神经网络模型，网络可以理解为个非线性状态空间模型，所以这种以建模为目拓补网络使用在控制领域是极其自然。在每操作点，经过线性化神经模型而获得个标准线性离散状态空间模型。从而合成了个极点配置和解耦状态反馈控制器，得出个适应控制方案。为评估其潜在性，混合控制方案用于个非线性多变量三箱系统。本文是这样组织。在章节，给出用于模拟对象修正型。在第章节，解决极点配置控制器和解耦器综合。在章节简要介绍实验室三箱系统并且给出些实验结果以展示所提方法效果。最后，章节是些结论。用网络进行系统辨识出于模拟目，假设将要控制对象是用方程和多变量。
6、间非线性状态空间描述其中和是非线性函数和分别是离散时间上输入和输出矢量。表示状态矢量，假设其是直接可观修正后网络由于它些特征，例如近似离散中文字出处,.混合神经解耦极点配置控制器及其应用.,.摘要提出种将循环动态神经网络整合到极点配置混合控制结构。该神经网络拓补包含了个修正过循环网络，以获得所要控制对象动态学，通过计时运算法则使用个缩短逆传播作为在线执行相位学习。模拟个普通非线性状态空间系统时，神经模型每次步进，被线性化而产生个离散线性时变状态空间模型。神经模型旦线性化，就可以应用些良好已建标准控制策略。本工作里解耦极点配置控制器设计被看成是首要，其与网络在线学习结合得到了种自调整适应控制方案。实验室三箱系统收集试验结果证实了所提方法生存力和效果。关键词混合方法，循环神经网络，极点配置，解耦，多变量适应控制。．导。
7、这里每次步进都加上个新层。根据和，导数计算作为在个标准前向逆传播网络情形来完成，根据，计算值，其中且。这步开始于时间，且控制策略.可以用方程和分别表示这里和分别代表和个恰当维数奇异矩阵。线性模型旦获得，可以应用几个标准控制策略。目前研究中控制参数是从解耦极点配置算法来评估。在每步，通过时域运算法则用缩短了逆传播更新神经模型参数，这种神经模型线性化以得到个适合线性极点配置控制离散时间线性状态空间模型。图描述是所得适应自调整控制方案图使用个适应控制.多变量解耦极点配置线性控制假设系统用个线性状态空间模型描述，个标准状态反馈控制律可以由给出这里是设置点矢量为输出数量。矩阵和通过极点配置律算得，这样输入只影响到输出。和已经建立了这种解耦极点配置控制律。令由，表示或矩阵和分别由和算得这里常数最大且矩阵是时宜地选择指定闭环极。
8、点分布。个三箱系统控制.过程描述三箱系统适个非线性系统，其由三个玻璃体通过两根连接管图串连成。离开流体被收集在个蓄水池中，汞和提供了箱体和。三个箱体装备了压阻压力传感器以测量流体水位通常为非静水,和。连接管箱体另外装备了人工自调整阀以模拟堵塞和泄漏。数字控制器分别为汞和控制流速和图三箱系统原理示意图控制系统目是通过调整流速和独立控制箱和，和水位。针对这种特殊对象状态变量水位值和输出关系用和表示。因此假设输出矩阵可以表示为.建模和控制规格为了建模目，实验室三箱系统假设用个三阶非线性状态空间离散时间模型描述，方程。它具有两个输入和个输出。为辨识任务，用到以下参数学习速率动力自连接窗口尺寸。假设对过程已有认识，用个线性状态空间方程来初始化权。考察控制器参数，计算矩阵和使期待极点分布对两个子系统相同且位于.。.实验结果为。
9、中文字出处,.混合神经解耦极点配置控制器及其应用.,.摘要提出种将循环动态神经网络整合到极点配置的混合控制结构。该神经网络拓补包含了个修正过的循环网络，以获得所要控制对象的动态学，通过计时运算法则使用个缩短的逆传播作为在线执行的，网络输出和它与权有关偏倒数取决于输入从训练过程开始和网络初始状态。因此，坡度严格计算，表明考虑了所有过去历史，是不实际。然而本文里考虑到先前采样周期有限次数，坡度是近似。训练定义在个变化窗口模式上，这里每次步进水平辨识标准，定义如模拟误差由给出，这里表示在步进实际对象状态。已经提出几种算法调节网络权值。这些方法例子是逆传播，和实时循环算法以及时域逆传播，等等。时域上逆传播当前正被研究。作为坡度型别算法权值更新是已知且确定通过给出这里为连接第次单元到第次单元权，是学习速率，是附加要素条件。。
10、散时间非线性状态空间描述其中和是非线性函数和分别是离散时间上输入和输出矢量。表示状态矢量，假设其是直接可观修正后网络由于它些特征，例如近似离散时间非线性系统能力，和其作为状态空间模型理解，这里考虑是修正后网络。已经提出种局部循环网络，其前向节点是可调整循环节点是固定。理论上说，具有个隐藏单元网络能够代表个阶系统。但是，由于高阶系统辨识实际困难，已经提出了些修正。和在前后单元中引入了自连节点，改进了网络记忆能力。图描述是修正后网络方框图。除了输入和输出，网络有个隐藏单元和个前后关联单元。互联矩阵为和，分别为前后隐藏层，输入隐藏层和隐藏输出层。图修正后网络方框图神经网络动态由以下不同方程描述。这里为中间变量，为双曲线切线方程，即如果竞争状态用表示那么方程可以用，重写如下这可以看作是非线性状态空间模型，与，表示系统相似。
11、输入输出，对系统以及预测控制使用了神经控制。和在极点分配问题中用到了反馈增益矩阵神经估计。和在辨认误差方程映射非线性函数中用神经网络对付非线性辨认任务。和通过方法研究模糊控制系统鲁棒稳定性，把模糊系统转化为具有不确定性和非线性系统。对混合系统提出了个框架，扩充技术来自模糊系统和常规适应控制。等人在特征根配置时用到了具有模糊状态反馈模糊模型，获得了模糊校正器和模糊观测器，这是用线性矩阵不等式和李亚普诺夫定理系统地设计。至于这个工作顺序，等人提出并证明了控制器观测器合成模糊分离原理。和以模糊方法再想变化模式控制，获得了继承了两者优点混合控制器。本文旨在对这个方向作出贡献。这里提出种控制结构，其结合了具有自调整能力循环神经网络模型，网络可以理解为个非线性状态空间模型，所以这种以建模为目拓补网络使用在控制领域是极其自然。。
12、估所提混合方案性能，对实验室对象进行系列实验。这些实验在用代码编码机下进行。由于采样时间选取.秒以避免可能长训练时间，在每次采样时间里，学习任务间隔最大值被限制为。从图可以看到考虑了设置点跟踪问题所提策略性能。图显示是期望设置点轨迹和相应输出水位。由这个特别实验可以总结出，通过联合在线和具有标准线性极点配置控制器非线性神经模型估计可以获得非常可观控制性能。图设置点轨迹和输出图控制动作图描述是具有修正后神经模型对象状态液体水位在线辨识。正如所看到，神经模型在跟踪实际状态时表现得相当好。图状态和估计状态结论混合控制系统可以为兼并传统数学分析方法和人工智能成为个统控制理论建立作出贡献。这也可以扩展为般非线性系统观念和广义线性系统理论框架。在目前研究中，动态循环神经网络作为过程辨识，使得可以使用传统解耦极点配置控制器。这。
参考资料：
（外文翻译）混合神经解耦极点配置控制器及其应用（外文+译文）