神经网络预测控制中的滚动优化方法研究

发布时间：2024-02-21 10:58

　　针对未知非线性系统神经网络预测控制的局部滚动优化问题,本文利用BP神经网络、RBF神经网络建立了一步及多步预测模型,分别通过Newton-Raphson算法、Levenb erg-Marquardt算法对BP神经网络两步预测控制、RBF神经网络三步预测控制进行了滚动优化。仿真结果表明局部优化存在初值问题,容易造成算法收敛到一个不可预料的极小点处,从而造成预测控制系统无法有效跟踪输出参考信号。按照其它文献指出的,将初值选在上一时刻的控制量处无助于问题的解决。为此,本文分析了全局最小点的存在范围,并提出了将初值选在最优性能点处,使得局部优化的结果不超过最优性能点处的目标函数值；通过动态校正权重因子的方法,实现在最优性能点与当前控制点之间一定存在极小值,进一步使得局部优化收敛到该极小值；最优性能点的计算利用了逆神经网络。理论分析和仿真实验都表明了这种方法的有效性。针对未知非线性系统神经网络预测控制的全局滚动优化问题,本文利用只包含一个隐层的前向网络建立了系统的一步预测模型,其中的隐层神经元以Sigmoid函数为激励函数；根据分支定界的框架,利用区间分析实现了对神经网络输出的定界,设计了全局滚...

【文章页数】：129 页

【学位级别】：博士

【部分图文】：

图２－４控制量时间序列??Ｆｉｇｕｒｅ?２－４?Ｍａｎｉｐｕｌａｔｅｄ?ｖａｒｉａｂｌｅ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

进行ＢＰ神经网络的建模。??２．?５．?１?ＢＰ神经网络建模??首先确定ＢＰ神经网络的输入输出：由图２－１知，网络的输入维数Ｋ?＝??＝２，输入向量的结构形式为；［ｙ㈱Ｍ脚Ｔ；网络输出为；；ｍ（Ａ＋ｌ），所Ｗ需要构造??一个如图２－１所示，两输入一输出的ＢＰ神经网络，可Ｗ利用ＭＡ....

图２－５输出时间序列??Ｆｉｇｕｒｅ?２－５?Ｏｕｔｐｕｔ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

?将ＸＩ）初始化为０，通过递归调用公式（２－２句，可Ｗ计算出系统的输出时间序列??施），Ｘ３），…，＿ｙ（１００１），得到的输出时间序列如图２－５所示。将［ｙ㈱Ｍ脚Ｔ做??输入数据序列，＿ＫＡ＋１；）做输出时间序列，扛１，２，…，１０００，贝柯Ｗ得到１０００??个样本数据。??１....

图２－８多点阶跃跟踪结果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??

＞＞脚＝０．８、於炉￣４?＝?０．１、於炉￣２）?＝?０．９，分别将Ｍ脚、＂炉￣；１）在［－２，?：２］区间范围内??按增量为０．０１取值，并计算相应的目标函数值，在ＭＡＴＬＡＢ中使用＂ｓｕｒｆ＂绘??图函数将目标函数绘制，其变化曲面如图２－９所示，此时，目标函数在＾／货＋１）＝....

图２－９目标函数变化曲面图??Ｆｉｇｕｒｅ?２－９?Ｓｕｒｆａｃｅ?ｏｆ?ｏｂｊｅｃｔｉｖｅ?ｆｕｎｃｔｉｏｎ??

?５?１０?１５?２０?２５?３０?３５??采样时刻?ｋ??图２－８多点阶跃跟踪结果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??２．?６?问题分析（巧ｏｂｌｅｍ?ａｎａｌｙｓｉｓ）??通过逐步的大量仿真调试，可Ｗ发现，造成系统输出＞＞....

本文编号：3905328