论文部分内容阅读
由于大脑高度发达，人类能够轻松准确地应对各种各样的复杂事件。人脑被认为是最复杂同时也是最智能的系统，主要表现在：“边做边学”，即在工作过程中完成学习，并将学到的知识记忆/存储在大脑中；“学以致用”，即存储的知识可以在新的任务中作为经验得以应用。受此启发，人们提出高级的智能控制方法，如神经网络控制等，用来处理动态环境中复杂系统的控制问题。智能控制的一个主要特点是具有足够的关于人的控制策略、被控对象及环境的有关知识以及运用这些知识的能力。然而，在实际应用中，动态环境中的学习问题被认为是自适应和学习控制领域最困难的问题。同时，具有自主学习能力的智能控制问题也是动态环境下人工智能研究的一个难点。此外，随着科技的进步，生产工况环境变得越来越复杂且多样化，而且对控制品质也提出了更高的要求。这些实际问题无疑对智能控制技术的发展提出了诸多的挑战。鉴于此，本文将基于确定学习理论及现有相关研究成果，针对未知动态环境中复杂非线性系统的学习、决策与控制问题，开展以下几个方面的研究：
1.研究一类具有代表性的纯反馈非线性系统的自适应神经网络动态面控制与学习问题。首先，综合动态面控制技术和确定学习理论，在控制器设计过程中避免了对虚拟控制的复杂求导，通过递归分析建立RBF神经网络的部分持续激励条件。所设计的自适应神经网络动态面控制器，不仅确保了系统的稳定性和跟踪误差的收敛，而且实现了对闭环未知动态的局部准确辨识/学习。随后，利用所学知识设计一个经验控制器，避免了估计参数的重复训练过程，有效地改善了系统的控制性能。该方案部分解决了高阶纯反馈系统的确定学习控制问题，并通过仿真验证了所提方案的有效性。
2.研究纯反馈非线性系统基于观测器的自适应神经网络控制与学习问题。首先，引入一种系统转换技术，借助观测器，提出了一种简单的自适应神经网络控制方案保证了系统的稳定性和跟踪性能。特别地，该方案中仅使用一个神经网络逼近器。此外，所提方案避免了学习过程中的递归分析过程，通过确定学习较为轻松地实现了对转换系统闭环动态的局部准确辨识。然后，利用获得的知识进一步提出一种新的学习控制方案，实现了更好的控制性能，同时大大降低了计算负担。以连续搅拌釜式反应器应用系统为仿真对象，仿真结果验证了所提方案的有效性。
3.针对一类具有多种控制情形的纯反馈非线性系统，提出了一种基于模式的智能控制方案。首先，基于确定学习理论，利用设计的自适应动态面控制器对不同控制情形(模式)下的闭环系统未知动态进行准确辨识/学习，并利用学到的知识为所有控制情形构造一个基于模式的经验控制器库。其次，在当前正常控制器作用下，通过确定学习准确获取不同控制情形下的子系统动态知识，并利用获得的知识构造一系列动态模型实现对不同控制情形的精确分类。然后，当控制情形突变时，基于动态模式识别策略实现对控制情形突变的快速准确识别，并从构造的控制器库中选择正确的经验控制器，确保了系统的稳定性和优越的控制性能。仿真结果表明所提方案不仅像人类一样实现了对知识的获取，而且能够利用经验知识实现快速决策和高性能的控制。
4.研究带预设性能约束的纯反馈非线性系统基于模式的学习与控制问题。首先，综合系统转换和误差转换技术，提出了一种带指定性能的自适应神经网络控制方案。所提方案不仅保证了系统的稳定性和预设的跟踪性能，即同时确保了系统的瞬态和稳态性能，而且在自适应控制的过程中实现了对转换系统闭环动态的局部准确辨识/学习，并利用在不同控制情形下学到的知识构造一个基于模式的经验控制器库。然后，借助观测器，在正常控制器作用下通过确定学习实现对不同控制情形下转换系统动态的准确建模。特别地，所提方案避免了对原始系统所有子系统的学习训练，大大减少了神经网络训练的数量。随后，利用建模知识构造一组动态估计器用于对不同控制情形的精确分类。当控制情形突变时，通过比较被监测系统和动态估计器，从而获得识别残差，基于最小残差原则实现对突变控制情形的准确识别。基于识别结果，快速决策并切换与突变模式相对应的经验控制器以保证系统的稳定性和高性能的控制，同时满足指定的性能约束条件。仿真结果验证了所提方案的有效性。
5.研究一类采样仿射非线性系统的自适应神经网络控制与学习问题。目标是将确定学习控制理论从连续时间系统推广到更加符合实际应用的采样数据系统。为了实现学习，首先提出一种新颖的自适应神经网络控制方案，基于李雅普诺夫定理确保了系统的稳定性和跟踪误差的收敛。此外，引入一种状态变换方法，克服了未知仿射项给学习带来的困难。通过确定学习在稳定的自适应控制过程中实现了对闭环采样动态的局部准确逼近/学习。随后，利用学到的知识，进一步提出一种新的采样学习控制方案，实现了响应速度更快和跟踪误差更小的优越控制性能。最后，通过对摆平衡系统和两关节机械臂系统的仿真实验验证了所提方案的有效性。
1.研究一类具有代表性的纯反馈非线性系统的自适应神经网络动态面控制与学习问题。首先，综合动态面控制技术和确定学习理论，在控制器设计过程中避免了对虚拟控制的复杂求导，通过递归分析建立RBF神经网络的部分持续激励条件。所设计的自适应神经网络动态面控制器，不仅确保了系统的稳定性和跟踪误差的收敛，而且实现了对闭环未知动态的局部准确辨识/学习。随后，利用所学知识设计一个经验控制器，避免了估计参数的重复训练过程，有效地改善了系统的控制性能。该方案部分解决了高阶纯反馈系统的确定学习控制问题，并通过仿真验证了所提方案的有效性。
2.研究纯反馈非线性系统基于观测器的自适应神经网络控制与学习问题。首先，引入一种系统转换技术，借助观测器，提出了一种简单的自适应神经网络控制方案保证了系统的稳定性和跟踪性能。特别地，该方案中仅使用一个神经网络逼近器。此外，所提方案避免了学习过程中的递归分析过程，通过确定学习较为轻松地实现了对转换系统闭环动态的局部准确辨识。然后，利用获得的知识进一步提出一种新的学习控制方案，实现了更好的控制性能，同时大大降低了计算负担。以连续搅拌釜式反应器应用系统为仿真对象，仿真结果验证了所提方案的有效性。
3.针对一类具有多种控制情形的纯反馈非线性系统，提出了一种基于模式的智能控制方案。首先，基于确定学习理论，利用设计的自适应动态面控制器对不同控制情形(模式)下的闭环系统未知动态进行准确辨识/学习，并利用学到的知识为所有控制情形构造一个基于模式的经验控制器库。其次，在当前正常控制器作用下，通过确定学习准确获取不同控制情形下的子系统动态知识，并利用获得的知识构造一系列动态模型实现对不同控制情形的精确分类。然后，当控制情形突变时，基于动态模式识别策略实现对控制情形突变的快速准确识别，并从构造的控制器库中选择正确的经验控制器，确保了系统的稳定性和优越的控制性能。仿真结果表明所提方案不仅像人类一样实现了对知识的获取，而且能够利用经验知识实现快速决策和高性能的控制。
4.研究带预设性能约束的纯反馈非线性系统基于模式的学习与控制问题。首先，综合系统转换和误差转换技术，提出了一种带指定性能的自适应神经网络控制方案。所提方案不仅保证了系统的稳定性和预设的跟踪性能，即同时确保了系统的瞬态和稳态性能，而且在自适应控制的过程中实现了对转换系统闭环动态的局部准确辨识/学习，并利用在不同控制情形下学到的知识构造一个基于模式的经验控制器库。然后，借助观测器，在正常控制器作用下通过确定学习实现对不同控制情形下转换系统动态的准确建模。特别地，所提方案避免了对原始系统所有子系统的学习训练，大大减少了神经网络训练的数量。随后，利用建模知识构造一组动态估计器用于对不同控制情形的精确分类。当控制情形突变时，通过比较被监测系统和动态估计器，从而获得识别残差，基于最小残差原则实现对突变控制情形的准确识别。基于识别结果，快速决策并切换与突变模式相对应的经验控制器以保证系统的稳定性和高性能的控制，同时满足指定的性能约束条件。仿真结果验证了所提方案的有效性。
5.研究一类采样仿射非线性系统的自适应神经网络控制与学习问题。目标是将确定学习控制理论从连续时间系统推广到更加符合实际应用的采样数据系统。为了实现学习，首先提出一种新颖的自适应神经网络控制方案，基于李雅普诺夫定理确保了系统的稳定性和跟踪误差的收敛。此外，引入一种状态变换方法，克服了未知仿射项给学习带来的困难。通过确定学习在稳定的自适应控制过程中实现了对闭环采样动态的局部准确逼近/学习。随后，利用学到的知识，进一步提出一种新的采样学习控制方案，实现了响应速度更快和跟踪误差更小的优越控制性能。最后，通过对摆平衡系统和两关节机械臂系统的仿真实验验证了所提方案的有效性。