英语论文总结ppt课件

《英语论文总结ppt课件》由会员分享，可在线阅读，更多相关《英语论文总结ppt课件（23页珍藏版）》请在装配图网上搜索。

1、 一个基于多输入多输出离散时间非线性控制 系统的新型神经网络内模控制报告人：安茹主要内容 摘要 离散形状空间方式的神经网络模型 基于神经网络内模控制的观测器 未知分布式固化过程的NN IMC 结论 摘要神经网络内部模型控制IMC对象：未知的非仿射离散时间多输入多输出过程运用条件：非线性形状空间方式，内模不匹配，干扰存在基于未知非线性MIMO形状空间过程的神经网络形状空间模型，近似的内模和去耦控制器被得出。由于并不是一切的形状都能得到，基于扩展卡尔曼观测器的NN模型用于估计非线性过程。提出的NIMC能用于开环不稳定过程，那么，运用到闭环稳定性分析也可以。运用：分布式热处置过程证明了该方法对抑制非

2、线性耦合和外部干扰的有效性 运用到未知的非仿射非线性离散时间MIMO系统形状空间过程的可行性。一 引言 许多的非线性MIMO过程都被以形状空间方式建模，由于形状空间模型有明晰地物理意义，更能代表MIMO系统。形状空间模型的优点：相比输入输出模型，更容易交融先前的物理知识到一个更小的回归量中。输入输出模型不充分的情况：分布式的参数系统DPS由于有限丈量不能提供规范的空间信息，比如工业热处置过程 以前提出的NN IMC 方法不能直接运用到这样的MIMO形状空间模型中的缘由如下：1在形状空间模型中，并不是一切的形状变量都可以得到，并且通常需求知道非线性形状观测器。2对于未知的非线性离散时间系统，由于

3、需求知道针对形状估计的准确数学模型和针对线性过程运用的分散原理不适宜非线性过程，这两个缘由使得形状观测器设计不易得到。3由于耦合效应，NN IMC针对非线性，不确定性的MIMO离散时间系统的实现更复杂。本文提出的思想：针对未知的非仿射离散时间多输入多输出过程，在模型不匹配和干扰的情况下,NN IMC 以形状空间方式被提出。主要的奉献：1针对带有不确定性的未知非仿射MIMO系统，NN IMC被开展。2基于未知的非线性系统的NN形状空间模型，EKO用于形状估计。(3)不需求逆过程动力学的学习 (4)非线性IMC的复杂性导致闭环稳定性很难分析，带有EKO的NN IMC可分析。IMC 常见要求：提出的

4、NN IMC移除了控制过程必需开环的限制。二 离散形状空间方式的神经网络模型 普通MIMO非线性离散系统 经过NN，为未知的形状空间非线性系统2.1建模，必需得到系统的形状。形状空间系统的形状获得方法：1用足够的传感器获得形状丈量 2经过离线丈量信号处置技术，从输入和输出提取形状值 3从参考系统仿真器中得到形状值。4利用光谱方法来建立一个非线性DPS低阶形状空间模型,，然后用神经网络模型建模低阶形状空间模型。上述方法得到参数后，未知非线性形状空间系统可以被NN逼近。方式如2.2 2.2系统可以运用静态反向传播训练，不用运用梯度下降算法计算更密集。为找到适宜的模型，由于丈量噪声，过度拟合和低度拟

5、合一定思索。本研讨中，经过比较带有训练集和包含不用于训练的测试集不同的建模构造的均方误差根和比较观测输出预测检测图两种方式，NN模型的构造防止了上述思索的问题。式2.2有稳定的零动力学，控制规那么被2.3开展，假设干扰存在，2.2就可变为2.4 其中，Wk是干扰动量。更普通的带有形状变量和输入变量的输入输出MIMO非线性离散系统如2.5 其中，包含干扰向量和NN逼近误差 系统2.3的假设可用于逼近的NN去耦过程。泰勒展开：和 被当做无方式的动力学。忽略 ，系统为2.8.和 成线性关系，非线性控制规那么直接可以被决议。在随后的鲁棒控制和平稳性分析上获得.k三 NN-IMC观测器设计 针对非线性M

6、IMO离散时间形状空间过程，NN-IMC的非线性观测器被提出。主要分为三部分：神经网络近似解耦控制：不确定性的补偿，非线性形状观测器。1 带有EKO的NN-IMC 解耦控制控制 代表EKO的 的形状观测 观测器误差：形状观测器：控制规那么：思索干扰：2基于不确定补偿的MIMO的NN-IMC 带有EKO的MIMO内模 和鲁棒性过滤器 用于减少不确定。结论：接近误差Rp 和干扰可以经过适宜的 滤波器被减少到某个程度3平稳的鲁棒性 非线性MIMO，带有不确定的离散形状空间系统如图。大干扰会使系统性能变坏甚至不稳定，因此闭环平稳的干扰应该被仔细检查。控制误差 提出的NN-IMC 能用于开环不稳 定非线

7、性过程4NN-IMC的设计步骤 用第二部分引进的方法，对未知MIMO形状空间建立模型 推倒NN近似模型 针对非线性MIMO离散时间过程，伴有EKO的近似NN规那么得出。确定不确定性补偿 设计一个设置点的过滤器 ，鲁邦过滤器四 未知分布式NN-IMC的固化过程 提出的NN-IMC用于控制分布式固化过程主要步骤：1包括未知参数和非线性和非线性的分布式参数处置的动力学被派生。2针对分布式固化过程，基于光谱方法的有限空间形状的NN模型被建立，并且在EKO的协助下估计温度分布。3NN-IMC用于固化过程，控制目的和其他的没有不确定补偿的NN控制性能比较。4.1 动力学过程 固化过程根本的热传送方程：由于

8、炉子的墙绝缘效果不好，而且边境条件不完全知。拉普拉斯算子关于温度和输入的未知非线性函数干扰控制输入向量 导致自在的对流和辐射会使热量从外部的墙走漏。因此提出了未知非线性函数的边境条件：边境温度和环境温度设置如下：代表导热系数，代表未知非线性函数的温度和环境温度 结论：一个完好的固化过程的模型描画为带有边境条件的非线性抛物线的PDE。k4.2 光谱和神经网络建模过程 4.3和4.4物理模型的缺乏：针对未知的非线性和时间-空间耦合动力学不具有运用性 提出ODE系统的优势：简化控制器设计；方便进一步系统分析例照实践完成，形状估计，系统建模等；而且PDE系统涉及空间微分算子，算子的eigenspect

9、ra可以被分解为有限空间和无限空间：结论：针对分布式固化过程，一个光谱智能建模被提出 运用：时空分别，模型降阶。n阶非线性ODE系统 n阶时空分别模型：NN观测器去估计形状。多层输入信号产生，每10S采样得出1500个丈量值。基于观测形状提出的GRNN4.7被训练成一个以离散时间形状空间方式的固化过程非线性模型。同样条件数据采集，网络训练等处置下的混合光谱/神经建模在10中详细引见。递归最小二乘法用于保证混合GRNN参数的快速学习。4.3 固化过程的NN-IMC 对于DPS系统，经过非线性PDE描画的基于模型降阶的战略很多。战略的局限性：为非线性DPS开展的控制战略不能直接用于固化过程 缘由：

10、1系统模型不需求准确得知，得到固化过程的模型很困难。2仅仅仿射方式的MIMO非线性DPS被思索并且低阶ODE系统也是仿射的。对于固化过程，建好的NN近似模型是以非仿射的方式，对于NN-IMC的逆控制器设计师很复杂的。3先前方法没有思索干扰，干扰影响对于固化过程不可忽略 该部分用NN IMC用于固化过程 带有干扰向量的NN输入输出模型描画的固化过程如4.9 根据图2的NN-IMC构造，NN解耦控制规那么如4.10 NN-IMC中涉及的参数 炉膛内的温度分布：基于上面4.7NN模型，设计仿真固化过程的步骤：1设置跟踪控制目的 反响信号如图2显示的那样，控制目的会令人称心。经过运用NN-IMC战略，

11、解耦控制器控制在干扰被有效的减少时性能表现很好。2温度分布估计 存在反响的图6和不存在反响的图7的比较：干扰发生之前，两个图根本温度分布没有明显区别 干扰发生之后，在采样125之后，温度分布图6明显低于设定值。图7显示更接近于设定值。结论：在四个传感器位置的温度被控制跟踪在设定值，其他位置的温度没有坚持在规定值之内。经过运用NN-IMC,对于温度分布的扰动可以有效被衰减。五 结论 针对未知非线性离散MIMO形状空间系统在模型不匹配和干扰的条件下，NN-IMC方案具有挑战性。NN-IMC不需求逆过程动力学的神经网络学习，能任务于开环不稳定过程。带有非线性观测器的闭环系统稳定性可以被分析。由于形状空间模型和EKO，得到的物理信息对未来系统分析有用。简单的神经网络控制构造：一个被识别的NN近似模型，观测器设计，控制方案。分布式热处置的运用证明NN-IMC的有效性和可行性。