目录
摘要.........................................................................................................................................................................II 1绪论. (1)
1.1选题背景和意义 (1)
1.2国内外同类研究或同类设计的概况综述 (1)
1.3立题依据 (3)
1.4本文所做的主要工作 (3)
2.2神经网络的学习方式和学习规则 (6)
2.3神经网络的特点 (7)
中国金融管理学院
3.1内模控制的简介 (8)
3.2内模控制的发展现状 (8)
3.3内模控制的基本原理 (8)
工业控制计算机3.5线性内模控制器的设计 (9)
3.6神经非线性内模控制 (11)
4基于BP神经网络的内模控制 (14)
4.1BP神经网络 (14)
4.1.1BP神经网络的结构 (14)
4.1.2BP神经网络的算法 (15)
4.2基于BP网络的内模控制仿真研究 (20)
4.1.1BP网络的算法流程 (20)
谢尔宾斯基地毯4.2.2神经网络模型结构和算法 (21)
4.3.1线性系统的内模控制 (22)
长春理工大学bbs4.3.2非线性系统的内模控制 (24)
参考文献 (28)
致谢.......................................................................................................................................错误！未定义书签。附录A. (30)
附录B (34)
基于神经网络的非线性内模控制
摘要
本毕业设计主要研究了基于神经网络的非线性内模控制系统。内模控制从其诞生开始就因为结构简单、参数调节灵活等优点表现出了强大的生命力，并且得到了广泛的应用。神经网络内模控制融合了内模控制鲁棒性（指在不确定因素存在情况下，系统保持其原有性质的能力）、抗干扰能力强的优点和神经网络自适应控制的优点，受到了自动控制理论界的普遍关注。
本文主要针对基于神经网络的线性与非线性内模控制展开研究，探测其鲁棒性，抗干扰能力，以及跟踪逼近各种信号的能力。我们将研究基于BP神经网络内模控制的辨识，建立对象模型及其逆模型，并且完成系统模型的建立，以MATLAB为工具，对系统进行仿真实验与研究。
关键字：神经网络、内模控制、非线性系统、Matlab
Neural network based nonlinear internal model control
Abstract
The main graduation neural network based nonlinear internal model control system.Internal model control from the start because of the birth of simple structure,flexible regulation,etc.parameters showed a strong vitality,and has been widely used.Neural network internal model control combines the robustness of internal model control(defined as the presence of uncertainty,the system's ability to
maintain its original nature), anti-interference ability of the advantages and the advantages of neural network adaptive control,by automatic control theory community's attention.
In this paper,based on neural networks for linear and nonlinear internal model control of a study to detect its robustness,noise immunity,and tracking for a variety of signals.We will study the BP neural network based on identification of internal model control,the establishment of the object model and the inverse model,and to complete the system model to MATLAB as a tool for the system simulation and research.
Keywords:neural networks,internal model control,nonlinear system,Matlab
1绪论
1.1选题背景和意义
在人工神经网络的研究成果的基础上，并且与控制系统理论相结合，从而发展出了神经网络控制理论，它已经成为了自动控制领域的前沿学科之一。神经网络采用类似人脑的功能，它不仅在结构上是并行的，而且其处理问题方式也是并行的，诊断信息输入之后可以很快地传递到神经元进行处理，提高了计算速度，非常适合处理大量的并行信息。
神经网络本身具有很强的自适应能力。系统在知识表示和组织、诊断求解策略与实施等方面可根据生存环境自适应自组织到自完善。再次，具有很强的自学习能力。神经网络是一种变结构系统，神经元连接形式的多样性和连接强度的可塑性，使其对环境的适应能力和对外界事物的学习能力非常强。在1943年，麦卡洛克和皮茨首次提出了脑模型，其最初动机在于模仿生物的神经系统。随着超大规模集成电路(VLS1)、光电子学和计算机技术的发展，人工神经网络己引起更为广泛的注意。近年来，基于神经元控制的理论和机理已获得进一步的开发和应用。在神经网络理论研究方面，主要进展有Boltzmann机理论研究、细胞网络的提出及其分析等。从总的方面讲，一般将神经网络分位四种类型：前馈型、反馈型、自组织型与随机型。
内模控制方法是Garcia和Morari于1982年首先正式提出，以其简单、跟踪调节性能好、鲁棒性强、能消除不可测干扰等优点，为控制理论界和工程界所重视。1989年Morari 透彻研究了内模控制的神经网络也引入到内模控制中。神经网络内模控制是一种自适应的非线性控制。它一般由神经网络内模控制器和神经网络模型构成，神经网络模型当作系统的内部模型，并向神经网络内模控制器提供被控对象的相关信息。系统的正向模型作为对象的相似模型和真实对象并联，它们的输出差值作为反馈信号。该反馈信号又经过前向通道的滤波器及控制器进行处理。控制器直接与系统的逆有关，通过引入滤波器来提高系统的鲁棒性。
1.2国内外同类研究或同类设计的概况综述
神经网络控制是人工智能应用的一个重要分支领域，它是一种基本上不依赖模型的控制方法，它对于那些具有不确定性或高度非线性的控制对象比较适用，并且具有比较强的
环境适应和学习功能，它是智能控制的一个重要分支。对于自动控制来说，神经网络有具有
自适应功能，泛化功能，非线性映射功，高度并行处理功能等几方面优势，这使得神经网络成为当今一个非常热门的学科，在电力，化工，机械等行业应用广泛，并取得了较好的控制效果。神经网络发展至今已有半个多世纪，概括起来经历了三个阶段：20世纪40-60年代的发展初期；70年代的研究低潮期；80年代，神经网络的理论研究取得了突破性的进展。
本文主要研究的神经网络内模控制是一种自适应的非线性控制。它一般包括神经网络控制器和神经网络模型，它在线辨识被控对象的模型，并且向神经网络控制器提供被控对象的梯度信息。控制器直接与系统的逆模型有关，通过引入滤波器来提高系统的鲁棒性。神经网络内模控制融合了内模控制鲁棒性、抗干扰能力强的优点和神经网络自适应控制的优点，受到了自动控制理论界的普遍关注。将神经网络用于控制领域，已取得如下几方面进展:1)基于神经网络的系统辨识2)神经网络控制器3)神经网络与其他算法相结合4)优化计算5)控制系统的故障诊断。
当前，已经比较成熟的神经网络控制模型有神经自校正控制，神经PID控制，神经内模控制等等。本文主要介绍的基于神经网络的非线性系统内模控制。内模控制最早在化工领域得到成功应用，后又推
广到伺服系统的控制，陈庆伟等针对某伺服系统，采用双口控制实现了高阶无静差伺服跟踪；张景岗将内模控制应用于快响应电机控制等等。
神经网络内模控制系统如下图所示。图中的神经辨识器用来充分逼近被控对象的动态模型，即正模型。神经网络控制器不是直接学习被控对象的逆模型，而是间接地学习被控对象的逆动态特性。
南山转债图1-1神经网络内模控制器结构
巴尔扎克和他的老师在神经网络内模控制系统中，神经辨识器作为被控对象的近似模型与实际对象共同工作，将它们的差值作为反馈，同期望的给定值之差经滤波器处理后，送给神经网络控制器（逆模型），经过多次训练，它将间接地学习对象的逆向特性。逐渐将误差减小至趋近于零。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议