神经网络模型参考自适应控制算法研究.pdfVIP

第31卷第 1期 华 中 科 技 大 学 学 报(自然科学版) Vo1．31 No．1 2003年 1月 J．Huazhong Univ．of Sci．Tech．(Nature Science Edition) Jan． 2003 神经网络模型参考自适应控制算法研究 姜向龙 程善美 李叶松 万淑芸 (华中科技大学控制科学与工程系) 摘要：分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果，发现该算 法使控制器存在严重的“过学习”现象．为避免这一现象，设计了一种新的误差函数结构，得到改进的BP算 法．针对一个存在大惯性环节的线性时变系统，对比分析了神经网络模型参考自适应控制器在采用传统的BP 算法和改进的BP算法时得到的不同控制效果． 关 键 词：神经网络；模型参考自适应控制(MRAc)；BP算法；误差函数 中图分类号：TP273 文献标识码：A 文章编号：1671—4512(2003)01-0t304-03 针对线性时变或非线性系统的控制，Naren— 得误差e及其变化率作为在线学习算法的依据 dra等人提出了神经网络控制(NNC)与模型参考 自适应控制L1j相结合而成的神经网络模型参考 自适应控制(NNMRAC)[ j方式，其特点在于把神 经网络学习算法作为自适应控制算法，以使系统 获得良好的静态和动态性能．然而，当采用基于传 统误差函数的BP算法作为自适应控制算法时， 对于存在大惯性环节的NNMRAC系统，其受到 扰动后的动态恢复过程较长l3J．为此，一些学者 提出了变学习因子的学习算法、专家知识调整法 等措施13-sJ用于解决这个问题，但在具体实现时 图 1 基于神经网络器的模型参考自适应 需要较多的经验知识．本文分析了NNMARC控 控制系统结构 制器在大惯性环节的线性时变系统中存在的“过 对于存在大惯性环节的被控对象，神经网络 学习”现象本质．为避免这一现象，设计了一种新 控制器虽然能让对象的输出最终跟踪参考模型的 的误差函数结构，得到改进的自适应控制算法，并 输出，但稳定时间较长，受到扰动后动态恢复过程 对比分析了传统自适应算法与改进的自适应算法 也较长．其本质原因在于：当神经网络输出作为被 对大惯性环节的线性时变系统的控制效果． 控对象的输入时，被控对象因包含大惯性环节，其 1 神经网络模型参考自适应控制系 输出不能立即反映输入情况．所以采用传统BP 算法作为学习算法的神经网络将出现“过学习”现 统 象，类似于超调现象．因此，有必要在对象输出完 在图1所示的NNMRAC系统中，网络采用 全跟踪了参考模型输出之前的某个时间停止学 多层前向神经网络，包括输入层、隐含层、输出层． 习，以消除大惯性环节的影响． 多层前向神经网络的输入包括两个部分，给定“ 及H与输出反馈 之间的偏差￡．给定 H直接作 2 改进的BP算法 为网络的输入形成前馈控制，加快了系统的响应 速度，反馈控制结合在线学习算法能较快地减小 NNMRAC系统采用的多层前向神经网络的 跟踪误差．被控对象输出和参考模型输出比较，所 学习算法是基于 学习规则的BP算法．多层前 收稿日期：2002—03—11． 作者简介：姜向龙(1978一)，男，博士研究生；武汉，华中科技大学控制科学与工程系 (430074) 基金项目：国家自然科学基金资助项目． 第1期 姜向龙等：神经网络模型参考自适应控制算法研究 5 向神经网络的拓扑结构和网络节点的激活函数如