基于極限學習機的非線性自適應逆控制研究.pdf

1、非線性自適應逆控制是利用非線性信號處理技術解決非線性系統(tǒng)控制問題的一種很新穎的方法，針對它的研究具有重大的理論和實用意義。非線性自適應濾波技術是非線性自適應逆控制系統(tǒng)設計和應用的基礎，針對當前非線性自適應濾波器采用梯度下降算法所帶來的收斂速度慢，容易陷入局部極點的缺陷，本文提出并推導了限定記憶極限學習機算法，該算法不僅能夠避免梯度下降算法的缺陷而且能夠克服“數(shù)據(jù)飽和”問題，是一種優(yōu)秀的非線性對象建模和逆建模方法。在采用限定記憶極限學習機

2、算法的自適應濾波器的基礎上，針對一般的非線性系統(tǒng)，本文設計了兩種不同的自適應逆控制方案，為非線性自適應逆控制技術的完善和發(fā)展提供了新的思路。本論文主要進行了以下研究:
　　1)為克服構(gòu)成非線性自適應濾波器的動態(tài)神經(jīng)網(wǎng)絡收斂速度慢、容易陷入局部極點和對學習因子敏感的缺點，基于離線批量極限學習機算法，推導了極限學習機的在線遞推學習算法。為解決極限學習機的在線遞推學習算法存在的“數(shù)據(jù)飽和”問題，提出并推導了針對限定個數(shù)學習樣本的限定記憶

3、極限學習機算法。這種算法能夠在增加新采樣數(shù)據(jù)信息的同時，刪除舊采樣數(shù)據(jù)信息，避免出現(xiàn)“數(shù)據(jù)飽和”，從而提高了自適應濾波器的適應性和逼近精度，能夠快速而且精確地逼近非線性時變對象的模型和逆模型。
　　2)為解決極限學習機算法中求解逆矩陣時遇到的“病態(tài)矩陣”問題，提出對極限學習機中的預設參數(shù)進行優(yōu)化選擇。在分析研究魚群優(yōu)化算法和差分進化優(yōu)化算法的基礎上，提出了一種新的魚群—差分進化混合優(yōu)化算法，這種混合優(yōu)化算法通過在學習過程中共享尋優(yōu)

4、過程中的當前最優(yōu)信息，可以有效避免尋優(yōu)算法早熟收斂，從而改善尋優(yōu)結(jié)果。將所得的魚群—差分進化混合優(yōu)化算法應用于極限學習機預設參數(shù)優(yōu)化選擇，不僅有效避免“病態(tài)矩陣”問題，而且顯著提高極限學習機的學習精度和泛化性能。
　　3)針對一般非線性對象，研發(fā)了具有典型結(jié)構(gòu)的RMELM-BPTM自適應逆控制方法。在該方法中，首先采用RMELM算法在線辨識被控對象模型，在此基礎上利用BPTM方法在線學習獲得自適應逆控制器和擾動消除控制器以分別實現(xiàn)

5、被控對象動態(tài)響應控制和擾動消除控制。仿真結(jié)果顯示，采用這種方法設計的自適應逆控制系統(tǒng)由于動態(tài)特性控制過程和擾動消除控制過程相互獨立，都能達到最優(yōu)而不必在兩者之間進行折衷，因而控制系統(tǒng)不但具有良好的設定值跟蹤性能和魯棒性能，而且具有良好的擾動消除能力。
　　4)基于RMELM算法和FEL算法，提出一種非線性RMELM-FEL自適應逆控制方法。該方法中，反饋控制器采用傳統(tǒng)的PD控制器，用來保證系統(tǒng)的穩(wěn)定性和抑制擾動;前饋控制器由RME

6、LM訓練動態(tài)神經(jīng)網(wǎng)絡逼近被控對象的逆模型獲得，實施自適應逆控制以提高系統(tǒng)的控制精度。在這種控制結(jié)構(gòu)中，RMELM直接采用被控對象的輸入信號作為學習信號。仿真結(jié)果表明，RMELM-FEL自適應逆控制系統(tǒng)具有良好的設定值跟蹤性能和對被控對象參數(shù)變化的魯棒性能。
　　5)將本文提出的RMELM-BPTM自適應逆控制方法應用于汽輪機轉(zhuǎn)速控制系統(tǒng)，得到了一種新穎的汽輪機轉(zhuǎn)速自適應逆控制系統(tǒng)。相比于常規(guī)的汽輪機轉(zhuǎn)速控制方案，本文所提方案不僅轉(zhuǎn)