摘要: 滑模变结构控制具有响应快和对系统参数以及外部干扰呈不变性的优点,而且其算法简单易于工程实现,近年来在解决复杂非线性系统的综合问题时取得了比较突出的进展。神经网络是一种具有高度非线性的连续时间动力系统,它有着很强的自学习功能和对非线性系... 展开 滑模变结构控制具有响应快和对系统参数以及外部干扰呈不变性的优点,而且其算法简单易于工程实现,近年来在解决复杂非线性系统的综合问题时取得了比较突出的进展。神经网络是一种具有高度非线性的连续时间动力系统,它有着很强的自学习功能和对非线性系统的强大映射能力。神经网络用于滑模变结构控制,可实现自适应滑模控制。本文主要研究滑模变结构控制与RBF神经网络相结合的等效滑模变结构控制,通过改进RBF神经网络以产生性能更为优越的神经网络自适应变结构控制。 首先,根据变结构控制的特点并且结合各种RBF神经网络在线控制算法提出了一种基于RBF神经网络中心向量的动态递推算法,即对隐单元节点的中心采用动态递推算法,而对于隐单元节点的宽度和网络权值则采用基于经典梯度下降算法的动量因子法进行调整,仿真结果证明了该算法的可行性和有效性。 然后,通过研究BP算法的改进措施并且结合RBF神经网络在等效滑模变结构控制中的应用特点,提出了一种基于自适应学习速率的RBF网络等效滑模变结构控制方法,即对网络权值采用自适应学习速率算法进行迭代,而对于隐单元节点的中心和宽度则采用经典梯度下降算法的动量因子法进行调整,仿真结果证明了其削弱抖振的能力优于常规的梯度下降法。 最后,针对一类能采集到的等效滑模变结构在线控制数据的变结构控制问题,将经典的遗传算法和RBF神经网络结合起来,提出了两种基于GA_RBF的等效滑模变结构控制方法,即基于梯度下降算法的GA_RBF网络补偿控制器的滑模变结构控制和基于K.Furuta控制算法的GA_RBF网络补偿控制的滑模控制。这两种控制算法应用遗传算法的优化方案和优化原理相同,但因其采集数据的不同而又具有不同的应用。基于梯度下降算法的GA_RBF网络补偿控制器的滑模变结构控制器能进一步提高系统位置跟踪的精度;基于K.Furuta控制算法的GA_RBF网络补偿控制的滑模控制器能使新得到的基于GA_RBF网络补偿控制的滑模控制器具有K.Furuta控制算法的稳定性和不需要知道RBF神经网络不确定部分的上界的优点。仿真结果说明了以上两种控制器的先进性。 收起