一种基于局部权值学习及元自增减的神经自适应控制方法技术

本发明专利技术公开了一种基于局部权值学习及元自增减的神经自适应控制方法，包括步骤：步骤一、建立n阶非仿射系统；步骤二、设计基于自增长神经元网络的控制器对n阶非仿射系统进行控制；步骤三、将步骤二设计的控制器u作用到如上非仿射系统，使系统输出y(t)按给定精度β0跟踪期望轨迹xd(t)，同时确保系统跟踪误差e(t)在t≥0有界。本发明专利技术控制方法通过与固定网络结构控制和自组织控制方法对比，具有更高的控制精度、更短的算法执行时间、更快的收敛速度以及更少的运算资源，所设计的控制器不仅结构灵活，同时有助于提升系统的整体控制性能。

A neural adaptive control method based on local weight learning and element self increasing and decreasing

The invention discloses a method comprising the steps of local weights learning and changes in the yuan since neural adaptive control method based on: step one, establish n order non affine system; step two, design the controller of self growth based on neural network control of n order non affine system; u controller function of step three, step two design as to the non affine system, make the system output y (T) according to the given accuracy of beta 0 tracking XD (T), while ensuring that the system tracking error of E (T) t in more than 0 bounded. The control method of the invention with fixed network structure control and self - organization control method, has higher control precision, shorter execution time, the algorithm converges faster and less computing resources, the designed controller not only has flexible structure, also contribute to the overall control performance of hoisting system.

【技术实现步骤摘要】
一种基于局部权值学习及元自增减的神经自适应控制方法
本专利技术涉及非线性系统控制领域和神经网络控制领域，特别涉及一种用于处理复杂不确定系统的未知非线性项的方法。
技术介绍
尽管面向复杂非线性系统的自适应神经网络控制理论在过去数十年取得了很大进展，在神经控制的研究领域，还存在着许多理论与工程应用中尚未解决的问题。其中，比较有代表性的两个问题：1)怎样满足紧集先决条件以发挥可靠的神经网络函数逼近功能；2)如何设计可变结构的神经网络以达成预期的控制性能指标。目前，这两个问题各自得到了不同程度的解决，典型的方法有：基于直接与间接自适应神经控制，小脑模型关节控制，状态反馈或输出受限控制，鲁棒自适应容错控制，模糊神经控制和模型参考控制等。一些研究工作给出了满足紧集先决条件的方法，但方法大多相对且不具备实际操作性，此外为实现指定的渐近精度，固定结构的神经网络通常需要包含大量的学习单元，这会造成因过度参数化而导致的运算负担加重和性能受损。因此，这些控制器尚不能在实际系统中得到很好的应用。关于如何构造可变结构网络实现期望控制指标，比较常见的作法是基于局部权值学习框架的自组织或自构造渐近法。然而，在绝大本文档来自技高网...

【技术保护点】
一种基于局部权值学习及元自增减的神经自适应控制方法，其特征在于：包括以下步骤：步骤一、建立如下n阶非仿射系统：

【技术特征摘要】
1.一种基于局部权值学习及元自增减的神经自适应控制方法，其特征在于：包括以下步骤：步骤一、建立如下n阶非仿射系统：其中，x＝[x1,...,xn]T∈Rn为系统状态向量，u∈R为系统控制输入，f(x,u)为不确定非线性函数；其中f(x,u)关于变量x满足Lipschitz连续条件，关于变量u可微；并且，对于任意x∈Rn和u∈R，存在其中，标量函数a(x)，b(x)，c(x)有界且正定；定义滤波误差s(t)为s(t)＝PTe(t)其中，选取系数向量P＝[p1,p2,...,pn-1,1]T以确保sn-1+pn-1sn-1+…+p2s+p1＝0是Hurwitz多项式，其中s代表Laplace算子；e(t)＝x(t)-xr(t)＝[e1,e2,...,en]T∈Rn为跟踪误差向量；由此，得到滤波滤波误差关于时间的导数其中步骤二、设计基于自增长神经元网络的控制器对n阶非仿射系统进行控制：1)定义神经网络输入向量z＝[z1,...,zq]T其中β0，Kp和η为已知正常数；2)神经网络输入的紧集限制结合受限李雅普诺夫函数，BLF：其中，s为滤波误差，β1为控制目标中给定的正常数；Vb(s)在集合上正定，并且一阶导数连续；3)建立自调节网络结构a、构建局部权值学习框架：对于连续函数g(z):g(z)的渐近表达式写为：代表第i个径向基子网络，定义为：其中权值向量φi(z)＝[1,Gi,1(z1),...,Gi,q(zq)]T∈Rq+1为Lipschitz连续高斯基函数；b、确定权值自适应律：令权值估估计误差向量为：权值自适应律为：其中选取正常数Kp>0避免权值漂移，常数ρ>0为设定学习速率，β1为给定的正常数；c、确定高斯权重函数：给出归一...

【专利技术属性】
技术研发人员：宋永端，贾梓筠，张东，赖俊峰，
申请(专利权)人：青岛格莱瑞智能控制技术有限公司，
类型：发明
国别省市：山东,37