基本信息
- 項目名稱：
- 基于新的指數(shù)穩(wěn)定性定理的一般Brunovsky系統(tǒng)神經(jīng)網(wǎng)絡學習控制
- 小類：
- 機械與控制
- 大類：
- 自然科學類學術(shù)論文
- 簡介：
- 在本文中，基于確定學習控制理論，以一種普通的Brunovsky系統(tǒng)為參考，研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題，提出并證明了一種新的指數(shù)穩(wěn)定性定理。 此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。
- 詳細介紹：
- 人們在一個世紀以前就已經(jīng)開始了對人腦學習能力的模擬研究，取得一定的成果，這些理論都借鑒了人腦處理實際問題時的一個特點：通過一段時間的學習訓練，能夠?qū)W到相關(guān)的知識，并可以用學到的知識來解決實際問題。如：統(tǒng)計學習可以用來對多個不同靜態(tài)模式進行分類，通過學習的神經(jīng)網(wǎng)絡也可以用來進行靜態(tài)模式的分類和未知函數(shù)的逼近，但他們存在一個共同的不足，即只能對知識進行空間描述，缺乏時間上的描述能力。 上世紀八十年代以來，被視為對人腦模擬的人工神經(jīng)網(wǎng)絡得到快速發(fā)展，它的應用極其廣泛，人工神經(jīng)網(wǎng)絡作為對人腦模擬的重要工具，經(jīng)歷了曲折的發(fā)展歷程，當其達到高潮時，出現(xiàn)了很多種類的神經(jīng)網(wǎng)絡，且各自有各自的特點。如：Hopfield網(wǎng)絡具有穩(wěn)定性特點，BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡具有較強的函數(shù)逼近能力。 近三十年來，神經(jīng)網(wǎng)絡被控制界所接受并取得很好的應用。人們利用神經(jīng)網(wǎng)絡的函數(shù)逼近功能，將系統(tǒng)的未知動態(tài)利用神經(jīng)網(wǎng)絡進行參數(shù)化，然后利用自適應技術(shù)設計神經(jīng)網(wǎng)絡控制器，實現(xiàn)對未知動態(tài)系統(tǒng)的控制，取得了較好的控制效果。最初的神經(jīng)網(wǎng)絡控制理論是基于優(yōu)化原理的，缺乏對系統(tǒng)穩(wěn)定性和性能指標的分析。之后，基于Lyapunov理論的神經(jīng)網(wǎng)絡自適應控制理論能夠?qū)ο到y(tǒng)的內(nèi)部穩(wěn)定性及相關(guān)性能指標進行很好的分析，因而被廣泛應用。 九十年代中期以來，人們利用某些神經(jīng)網(wǎng)絡在特定條件下具有的持續(xù)激勵特性，將神經(jīng)網(wǎng)絡應用到系統(tǒng)辨識中，隨著神經(jīng)網(wǎng)絡理論自身的進一步發(fā)展，有很多神經(jīng)網(wǎng)絡都被應用到控制領域，如：BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。人工神經(jīng)網(wǎng)絡雖然在控制領域得到廣泛應用，而且取得一定成果，但與人們預想的效果還是存在差距，它能夠?qū)崿F(xiàn)對未知動態(tài)的學習與控制，但由于不能保證對未知參數(shù)的持續(xù)激勵，神經(jīng)網(wǎng)絡無法實現(xiàn)對未知動態(tài)的精確逼近。 近年來，相關(guān)文獻提出了確定學習理論。首先提出了局部化神經(jīng)網(wǎng)絡和局部神經(jīng)網(wǎng)絡逼近的概念，其次，給出了部分持續(xù)激勵條件的概念，即要求離系統(tǒng)軌跡足夠近的中心結(jié)點所對應的回歸向量滿足部分持續(xù)激勵條件，在此基礎上，局部化神經(jīng)網(wǎng)絡的權(quán)值在控制過程中能夠收斂到理想值，從而學習到系統(tǒng)的未知動態(tài)的，并將學到的知識存到固定權(quán)值的神經(jīng)網(wǎng)絡中，該固定權(quán)值的神經(jīng)網(wǎng)絡可以代替系統(tǒng)的未知動態(tài)，應用到實際控制中，這一系列知識就是新的控制理論——確定學習控制。它已被成功應用到系統(tǒng)控制、觀測器的設計、動態(tài)系統(tǒng)的辨識、動態(tài)模式識別、故障模式識別。故障診斷等研究中，取得一些研究成果。 在本文中，基于確定學習控制理論，以一種普通的Brunovsky系統(tǒng)為參考，研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題，提出并證明了一種新的指數(shù)穩(wěn)定性定理。在此，首先考慮閉環(huán)標稱系統(tǒng)的指數(shù)穩(wěn)定性；然后，根據(jù)提出的指數(shù)穩(wěn)定性定理，在相應的持續(xù)激勵得到滿足的條件下，研究了未知非線性系統(tǒng)的神經(jīng)網(wǎng)絡權(quán)值的指數(shù)收斂性。從而實現(xiàn)對未知動態(tài)的學習控制，神經(jīng)網(wǎng)絡在局部范圍能精確逼近未知函數(shù)。最后，較理想的實例仿真驗證了該指數(shù)穩(wěn)定定理的可行性。此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。
作品專業(yè)信息
撰寫目的和基本思路
- 寫作目的：在現(xiàn)有結(jié)論的基礎上，提煉出一種新的指數(shù)穩(wěn)定性方法，并將其應用到未知系統(tǒng)的確定學習控制中。 基本思路：基于神經(jīng)網(wǎng)絡控制已有的結(jié)論，提出并證明了一種新的指數(shù)穩(wěn)定性定理，繼而將其應用到未知系統(tǒng)的穩(wěn)定性分析中，并通過實例仿真，以較好的系統(tǒng)參數(shù)收斂效果驗證該指數(shù)穩(wěn)定定理的可行性。
科學性、先進性及獨特之處
- 本作品是以最近提出的確定學習控制理論為基礎的，相比神經(jīng)網(wǎng)絡自適應控制，確定學習理論實現(xiàn)了對未知系統(tǒng)的精確逼近，并將學習到的知識存儲到固定權(quán)值的神經(jīng)網(wǎng)絡中，應用到實際的控制中。其亮點在于新的指數(shù)穩(wěn)定定理的提出，該理論大大簡化了系統(tǒng)參數(shù)收斂性的證明過程，且可以推廣到相關(guān)問題的證明中。
應用價值和現(xiàn)實意義
- 本作品是確定學習控制的理論成果，較好的實例仿真效果表明該理論可以應用到實際非線性控制中，目前該理論已經(jīng)在很多領域得到應用，并取得較好成果，比如：動態(tài)模式識別、機器人控制、故障診斷等，隨著進一步研究，相信他會有更大的利用價值和空間。
學術(shù)論文摘要
- 在本文中，基于確定學習控制理論，以一種普通的Brunovsky系統(tǒng)為參考，研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題，提出并證明了一種新的指數(shù)穩(wěn)定性定理。在此，首先考慮閉環(huán)標稱系統(tǒng)的指數(shù)穩(wěn)定性；然后，根據(jù)提出的指數(shù)穩(wěn)定性定理，在相應的持續(xù)激勵得到滿足的條件下，研究了未知非線性系統(tǒng)的神經(jīng)網(wǎng)絡權(quán)值的指數(shù)收斂性。從而實現(xiàn)對未知動態(tài)的學習控制，神經(jīng)網(wǎng)絡在局部范圍能精確逼近未知函數(shù)。最后，較理想的實例仿真驗證了該指數(shù)穩(wěn)定定理的可行性。此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。
獲獎情況
- 時間：2011年3月26—28日 地點：中國江蘇省南京市 會議：信息科學與技術(shù)國際會議
鑒定結(jié)果
- 在信息科學與技術(shù)國際會議上發(fā)表 被EI收錄
參考文獻
- [1] K. S. Narendra and K. Parthasarathy, “Identification and control of dynamic systems using neural networks,” IEEE Trans. Neural Networks, vol. 1, no. 1, pp. 4-27, 1990. [2] R. M. Sanner and J. E. Slotine, “Gaussian networks for direct adaptive control,” IEEE Trans. Neural Networks, vol. 3, no. 6, pp. 837-863, 1992. [3] M. M. Polycarpou and M. J. Mears, “Stable adaptive tracking of uncertain systems using nonlinearly parameterized on-line approximators,” International Journal of Control, vol. 70, no. 3, pp. 363-384, 1998. [4] C. Wang and D. J. Hill, “Leaning from direct adaptive neural control,” 5th Asian Control Conference, 2004. [5] C. Wang and D. J. Hill, “Learning form neural control,” IEEE Trans. Neural Networks, vol. 17, no. 1, Jan., 2006. [6] Tengfei Liu, C. Wang, and D. J. Hill, “Learning form neural control of nonlinear systems in normal form,” Systems & Control Letters, vol. 58, pp. 633-638, 2009 .
同類課題研究水平概述
- 人們在一個世紀以前就已經(jīng)開始了對人腦學習能力的模擬研究，取得一定的成果，這些理論都借鑒了人腦處理實際問題時的一個特點：通過一段時間的學習訓練，能夠?qū)W到相關(guān)的知識，并可以用學到的知識來解決實際問題。但他們存在一個共同的不足，即只能對知識進行空間描述，缺乏時間上的描述能力。 上世紀八十年代以來，被視為對人腦模擬的人工神經(jīng)網(wǎng)絡得到快速發(fā)展，它的應用極其廣泛，人工神經(jīng)網(wǎng)絡作為對人腦模擬的重要工具，經(jīng)歷了曲折的發(fā)展歷程，當其達到高潮時，出現(xiàn)了很多種類的神經(jīng)網(wǎng)絡，且各自有各自的特點。 近三十年來，神經(jīng)網(wǎng)絡被控制界所接受并取得很好的應用。人們利用神經(jīng)網(wǎng)絡的函數(shù)逼近功能，將系統(tǒng)的未知動態(tài)利用神經(jīng)網(wǎng)絡進行參數(shù)化，然后利用自適應技術(shù)設計神經(jīng)網(wǎng)絡控制器，實現(xiàn)對未知動態(tài)系統(tǒng)的控制，取得了較好的控制效果。最初的神經(jīng)網(wǎng)絡控制理論是基于優(yōu)化原理的，缺乏對系統(tǒng)穩(wěn)定性和性能指標的分析。之后，基于Lyapunov理論的神經(jīng)網(wǎng)絡自適應控制理論能夠?qū)ο到y(tǒng)的內(nèi)部穩(wěn)定性及相關(guān)性能指標進行很好的分析，因而被廣泛應用。 九十年代中期以來，人們利用某些神經(jīng)網(wǎng)絡在特定條件下具有的持續(xù)激勵特性，將神經(jīng)網(wǎng)絡應用到系統(tǒng)辨識中，隨著神經(jīng)網(wǎng)絡理論自身的進一步發(fā)展，有很多神經(jīng)網(wǎng)絡都被應用到控制領域，如：BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。人工神經(jīng)網(wǎng)絡雖然在控制領域得到廣泛應用，而且取得一定成果，但與人們預想的效果還是存在差距，它能夠?qū)崿F(xiàn)對未知動態(tài)的學習與控制，但由于不能保證對未知參數(shù)的持續(xù)激勵，神經(jīng)網(wǎng)絡無法實現(xiàn)對未知動態(tài)的精確逼近。 近年來，相關(guān)文獻提出了確定學習理論。首先提出了局部化神經(jīng)網(wǎng)絡和局部神經(jīng)網(wǎng)絡逼近的概念，其次，給出了部分持續(xù)激勵條件的概念，即要求離系統(tǒng)軌跡足夠近的中心結(jié)點所對應的回歸向量滿足部分持續(xù)激勵條件，在此基礎上，局部化神經(jīng)網(wǎng)絡的權(quán)值在控制過程中能夠收斂到理想值，從而學習到系統(tǒng)的未知動態(tài)的，并將學到的知識存到固定權(quán)值的神經(jīng)網(wǎng)絡中，該固定權(quán)值的神經(jīng)網(wǎng)絡可以代替系統(tǒng)的未知動態(tài)，應用到實際控制中，這一系列知識就是新的控制理論——確定學習控制。它已被成功應用到系統(tǒng)控制、觀測器的設計、動態(tài)系統(tǒng)的辨識、動態(tài)模式識別、故障模式識別。故障診斷等研究中，取得一些研究成果。
