【技术实现步骤摘要】
基于Barzilai Borwein智能学习算法的控制器设计方法、系统
[0001]本专利技术涉及智能学习算法控制器设计
，具体来说是一种基于BarzilaiBorwein智能学习算法的控制器设计方法、系统。
技术介绍
[0002]在过去的几十年中，神经网络技术得益于它良好的逼近性能受到了广泛的关注并逐 渐应用到各个领域。神经网络在控制领域中的应用主要是借助李亚普诺夫函数，设计使 权值收敛的权值更新率，也是常说的自适应神经网络。关于自适应神经网络的成果有很 多，几乎全部把自适应神经网络作为逼近系统中未知函数的工具，结合其它的控制技术， 例如：滑模控制，自适应动态规划技术，反步技术等，设计基于模型的控制方案。从自 适应神经网络的设计方法中可以看出，它只能保证权值收敛。最终的控制效果由神经网 络参数和控制器参数共同决定，因为未知函数未知，神经网络的逼近效果是否良好我们 是无从得知的。然而，好的逼近效果可以得到更好的控制性能。
[0003]现有的在控制领域，由于未知函数不可测量，利用智能学习算法，通过减小未知函 数和...
【技术保护点】
【技术特征摘要】
1.基于Barzilai Borwein智能学习算法的控制器设计方法，其特征在于，包括以下步骤：S1.利用神经网络构建控制器，针对某一形式的非线性离散系统，设计一代价函数，然后根据神经网络技术设计此代价函数下最优控制器；S2.利用Barzilai Borwein算法在线更新神经网络的参数η
w
，η
b
和η
c
，更新算法如下：定义以下变量χ
w
(k)＝w(k)
‑
w(k
‑
1)γ
w
(k)＝r(w(k))
‑
r(w(k
‑
1))χ
b
(k)＝b(k)
‑
b(k
‑
1)γ
b
(k)＝r(b(k))
‑
r(b(k
‑
1))χ
c
(k)＝c(k)
‑
c(k
‑
1)γ
c
(k)＝r(c(k))
‑
r(c(k
‑
1))则学习速率η
w
，η
b
和η
c
计算公式如下：计算公式如下：计算公式如下：S3.通过仿真验证所提方法的有效性。2.根据权利要求1所述的基于Barzilai Borwein智能学习算法的控制器设计方法，其特征在于，所述步骤S1具体为：考虑以下形式的非线性离散系统：x(k+1)＝f(x(k))+g(x(k))u(k)，k＝0，1，2，
…ꢀꢀꢀꢀ
(49)其中x(k)为k时刻系统的状态，f(x(k))于g(x(k))为系统的未知结构模型，u(k)为k时刻的系统输入。假设系统的参数信号为x
d
(k)，定义跟踪误差如下e(k)＝x(k)
‑
x
d
(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(50)利用神经网络技术直接构建系统的未知控制器；定义一个动态面为s(k+1)＝e(k+1)+k
e
e(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(51)其中，k
e
为大于零的常数，e(k+1)表示如下设计一个代价函数如下
我们希望设计此代价函数下最优的控制器。根据神经网络技术，构造系统(1)的控制器如下其中，W＝[w1，
…
，w
q
]
T
为神经网络的权值向量，H(X(k))＝[h1(X(k))，
…
，h
q
(X(k))]
T
为神经网络的基函数，X(k)＝[x(k)，x
d
(k)]
T
为神经网络的输入向量，神经网络的输出使W
T
H(X(k))，也即是控制器u(k)。3.根据权利要求2所述的基于Barzilai Borwein智能学习算法的控制器设计方法，其特征在于，所述步骤S2具体为：神经网络的参数w，b，c的更新率定义如下：其中其中其中η
w
(k)＞0，η
b
(k)＞0，η
c
(k)＞0为神经网络的学习速率，利用Barzilai Borwein算法在
线更新神经网络学习速率参数η
w
，η
b
和η
c
；先定义以下变量则学习速率η
w
，η
b
和η
c
设计如下4.根据权利要求3所述的基于Barzilai Borwein智能学习算法的控制器设计方法，其特征在于，当被更新的参数与上一时刻的值的差值小于预设值阈值δ时，停止参数更新。5.基于Barzilai Borwein智能学习算法的控制器设计系统，其特征在于，包括：控制器构建模块，利用神经网络构建控制器，针对某一形式的非线性离散系统，设计一代价函数，然后根据神经网络技术构建此代...
【专利技术属性】
技术研发人员：王桐，邱剑彬，王雨佳，纪文强，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。