基于神经网络的非线性自适应控制研究.doc文档【45页完整版】

智能研究的历史至少可以追溯到年代人工智能的初创期，更早些可咀追溯到图灵自动机理论。

冯诺伊曼曾多次谈到计算机和大脑在结构和功能上的异同，对它们从元件特性到系统结构进行了详尽比较。

和提出二〇年六月十日星期六的形式神经元模型导致了有限自动机理论的发腥。

维纳的书专门讨论了动物和机器的控制和通信问题。

信息论的奠基人香农也文献针对类不确定非线性系统，利用神经网络可逼设计和自适应反演设计出虚拟控制量，最后应用反馈线性化方法和神经网络设计了直接自适应控制律，并利用稳定性定理推导了神经网络的参数调节律，保证了闭环系统的所有信号均最终致有界文献针对模型提出直接自适应神经网络控制方案。

用前馈神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能文献针对不稳定的无人驾驶飞行器提出直接自适应神经网络控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和学习算法用来逼近控制律。

设计神经控制器需要的有界信号可通过种离设计神经控制器需要的有界信号可通过种离线有限时间的训练方案获得，以提供必需的稳定性和跟踪性能，空气动力系数带来的不确定性由在线学习方案来补偿。

控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和学习算法用来逼近控制律。

神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能文献针对不稳定的无人驾驶飞行器提出直接自适应神经网络部分内容简介神经网络提出了种直接自适应控制方案，首先应用多层神经网络自适应模型逼近逆解中的未知部分，然后应用逆设计和自适应反演设计出虚拟控制量，最后应用反馈线性化方法和神经网络设计了直接自适应控制律，并利用稳定性定理推导了神经网络的参数调节律，保证了闭环系统的所有信号均最终致有界文献针对模型提出直接自适应神经网络控制方案。

用前馈神经网络作为系统模型，控制信号直接通过最小化在设定点和模型输出之间的瞬时差分或累积差分获得，采用广义预测理论和梯度下降法加快学习速率和收敛性能文献针对不稳定的无人驾驶飞行器提出直接自适应神经网络控制器设计方案，控制规律来跟踪俯仰角速率指令，神经网络线性滤波器和学习算法用来逼近控制律。

设计神经控制器需要的有界信号可通过种离线有限时间的训练方案获得，以提供必需的稳定性和跟踪性能，空气动力系数带来的不确定性由在线学习方案来补偿。

文献针对类不确定非线性系统，利用神经网络可逼近任意非线性函数的能力和误差滤波理论，提出了种基于径向基函数神经网络的自适应控制器设计方案，以使非线性系统在存在不确定项或受到未知干扰时，其输出为期望输出，根据理论，给出了系统稳定的充分条件文献针对连续时间和离散时间的输入状态稳定的内部动力学的非线性不确定动态系统，基于定理提出了神经元自适应控制方案，该神经元自适应控制器的构建对系统的动力学知识没有要求，而只假设系统是连续可微的和不确定线性系统的逼近误差存在个极小的增益类型范数有界的圆锥形扇区内，这样就可以将鲁棒控制和神经网络自适应控制结合起来，从而保证了闭环系统郎分渐近稳定。

同时人们开始将神经网络和其它新兴理论结合起来研究新型神经网络，如量子神经网和二阶模糊神经网络等。

文献提出了基于扬氏双缝实验思想的叠加态量子神经网络文献提出了基于模期前馈神经网络思想的韫子神经网络文献提出了基于量子力学本体表示的非叠加态量子神经网络。

神经网络自适应控制这领域呈现出欣欣向荣的景象。

选题的背景和意义人类当前所面临的重大科学技术研究任务之是要揭示大脑的工作机制和人类智能的本质，开发智能应用技术，制造具有完类智能活动能力的帮能机器。

在过去几十年里，无数先驱们不懈探索，在神经生理学心理学等大批基础学科的研究成果基础上，研究脑和机器的智能取得了许多可喜的进展，这些智能研究成果的取得不仅对智能机器研究本身具有重要的意义，而且推动了大批相关学科的发展。

智能研究的历史至少可以追溯到年代人工智能的初创期，更早些可咀追溯到图灵自动机理论。

冯诺伊曼曾多次谈到计算机和大脑在结构和功能上的异同，对它们从元件特性到系统结构进行了详尽比较。

和提出二〇年六月十日星期六的形式神经元模型导致了有限自动机理论的发腥。

维纳的书专门讨论了动物和机器的控制和通信问题。

信息论的奠基人香农也曾探索过人的智力放大问题。

我国著名学者钱学森在他的工程控制论书中专门论述了生物体的调节控制和神经网络问题。

因此，早在四五十年代神经系统的功能就已经引起这些现代科学理论开拓者的兴趣，并对他们各自理论的创立做出了贡献。

建立在认知过程信息处理的徽结构理论之上的神经网络作为人的认知过程的种定量描述，为神经科学家提供了个良好的机会来发展和验证大脑的作原理。

神经网络理论的发展，在神经科学中推动了理论神经科学的产生和发展，为计算神经科学提供了必要的理论和模型，神经时络姓在许多学科的基础上发展起来的，它的研究的深入也必然会带动其他相关学科的发展。

许多现代科学理论的创导者对脑的功能和神经网络都有着强烈的兴趣，并从中得到了不少启示，创造或发展了许多新理论。

神经同络控制研究历史及现状神经网络控制的研究始于世纪年代和提出了神经网络模型，并用于网波罗登月计划中，取得了良好的效果。

年等将神经网络用于小车倒立摆系统的控制，也取得了成功。

年代后期，神经网络控制随着科学的发展受到重视，其研究人多数集中在自适应控制方法上。

神经网络控制是种基本上不依赖于模型的控制方法，具有较强的自适应性和学习能力，比较适用于那些具有不确定性或高度非线性的控制对象。

神经网络作为智能控制的个重要分支，无论是在理论上还是在应用上都取得了令人瞩目的成果，尤其是它为解决复杂系统，非线性系统和模型未知系统的控制问题提供了条新思路神经网络在控制领域的应用主要得益于它对非线性函数的逼近能力，神经网络控制基于其显著的学习能力，不断修正神经元之间的连接权值，并离散存储在连接网络中，因而对非线性系统和难以建模的系统具有赶女的映射能力。

神经网络控制现在是门非常活跃的课题，其研究热点主要有利用神经网络的逼近能力，解决复杂系统的辨识状态估计建模等难题。

利用神经网络的自学习自组织能力，提高对严重不确定性系统动态特性的适应能力。

利用神经同络的联想功能，对各种信息进行识别诊断记忆分类。

定性或定量研究神经网络控制系统的稳定性收敛性等理论问题，以保证神经网络控制系统能够可靠稳定地正常运行。

提高神经同络实时在线控制能力。

研究神经网络与顺序排成列，设它为，然后从队列的第个开始选取，直到为止，为事先给定的网络训练精度。

算法算法即规则用于权值调整的自适应学习算法为将代入上式得式中是常值，，可使算法收敛。

权值调整算法为式中是常值，。

当时，算法结束。

最小二乘递推法为简单起见，讨论单输出的情况。

定义目标函数式中，是加权因子，若第个样本比第个可靠，则的加权因子要大，可取，是样本长度。

使最小的即为所求，因此，由可得最小二乘递推算法二〇年六月十日星期六式中，，是隐节点数。

神经网络的先进学习算法关于神经网络学习算法的改进的方法有许多，比较具有代表性的有对下在线的或自适应的模型的应用，需要些递归辨识算法，个简单的办法是首先固定中心，然后通过递推最小二乘实时校正权值。

但只有在所讨论的系统变化非常小时该方法才有效。

同时改变中心和网络权值会得到更好的效果。

因为这样会大大改善建模能力和跟踪性能。

聚类算法可以递推使用，于是如果输入数据的分布发生变化，中心的分布也会跟随数据模式而变化。

从而中心实时分布在网络输入数据所在的区域，中心的位置能有效反席数据模式。

经典的算法中聚类中心个数要预先指定，就对其应用有了强制，针对这点提出了种频率敏感竞争的学习算法，基本思想是对中心多次连续获胜时，强制限制其获胜降低获胜系教，例如当连续获胜时，对它停止修正几次，而改为修正，该方法克服了单纯的增长法和修剪法的些不足。

传统的中心选择算法的个主要缺点是都要求中心个数预先周定，于是就产生了构建法和惨剪法来训练网络。

当网络的初始规模般指隐层神经元数目无法确定时，可先以较小的规模初始化网络，随着训练的进行来增加网络隐层神经元数，应该能有效解决睡络规模问题，给出神根据网络训练误差的情况分裂中心来实现网络增长和停止网络增长，使得网络的规模合理有效。

有种结构变化的神经网络，并把它用于自适应控制中对于传统的网络规模同定的网络，其中心选在紧集上的品格结点处于是晶格结点的距离影响了网络的规模和逼近精度。

其思想是根据种策略，基函数由个变化的品格结点决定，只分布在网络输入所经过的空间，基函数的数目可随时间而增加或减少来保持网络合适的规模，从而有敛避免了网络对数据的过度拟台和拟合不足，节省了网络资源。

网络的特点是局部的，即旦中心和宽度确定，每个隐层神经元输出只在其中心的个邻域起作用，当个中心远离现在的输入集合且对逼近误差影响非常小时，可不要该中心如果个中心的帮域距离现在输入集台很近，则其对输出就有很大作用，于是就保持该中心，或当没有这样的中心时增加个。

区别于以前的输入聚类算法，有文献研究了基于输入输出数据的聚类算法通过对输入输出样本进行聚类，可以得到个加权的输入输出盼均方量化误差该误差可为网络的输出均方误差