針對未知非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制的局部滾動優(yōu)化問題,本文利用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)建立了一步及多步預(yù)測模型,分別通過Newton-Raphson算法、Levenb erg-Marquardt算法對BP神經(jīng)網(wǎng)絡(luò)兩步預(yù)測控制、RBF神經(jīng)網(wǎng)絡(luò)三步預(yù)測控制進(jìn)行了滾動優(yōu)化。仿真結(jié)果表明局部優(yōu)化存在初值問題,容易造成算法收斂到一個不可預(yù)料的極小點(diǎn)處,從而造成預(yù)測控制系統(tǒng)無法有效跟蹤輸出參考信號。按照其它文獻(xiàn)指出的,將初值選在上一時刻的控制量處無助于問題的解決。為此,本文分析了全局最小點(diǎn)的存在范圍,并提出了將初值選在最優(yōu)性能點(diǎn)處,使得局部優(yōu)化的結(jié)果不超過最優(yōu)性能點(diǎn)處的目標(biāo)函數(shù)值；通過動態(tài)校正權(quán)重因子的方法,實(shí)現(xiàn)在最優(yōu)性能點(diǎn)與當(dāng)前控制點(diǎn)之間一定存在極小值,進(jìn)一步使得局部優(yōu)化收斂到該極小值；最優(yōu)性能點(diǎn)的計算利用了逆神經(jīng)網(wǎng)絡(luò)。理論分析和仿真實(shí)驗都表明了這種方法的有效性。針對未知非線性系統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測控制的全局滾動優(yōu)化問題,本文利用只包含一個隱層的前向網(wǎng)絡(luò)建立了系統(tǒng)的一步預(yù)測模型,其中的隱層神經(jīng)元以Sigmoid函數(shù)為激勵函數(shù)；根據(jù)分支定界的框架,利用區(qū)間分析實(shí)現(xiàn)了對神經(jīng)網(wǎng)絡(luò)輸出的定界,設(shè)計了全局滾...

【文章頁數(shù)】：129 頁

【學(xué)位級別】：博士

【部分圖文】：

圖２－４控制量時間序列??Ｆｉｇｕｒｅ?２－４?Ｍａｎｉｐｕｌａｔｅｄ?ｖａｒｉａｂｌｅ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

進(jìn)行ＢＰ神經(jīng)網(wǎng)絡(luò)的建模。??２．?５．?１?ＢＰ神經(jīng)網(wǎng)絡(luò)建模??首先確定ＢＰ神經(jīng)網(wǎng)絡(luò)的輸入輸出：由圖２－１知，網(wǎng)絡(luò)的輸入維數(shù)Ｋ?＝??＝２，輸入向量的結(jié)構(gòu)形式為；［ｙ㈱Ｍ腳Ｔ；網(wǎng)絡(luò)輸出為；；ｍ（Ａ＋ｌ），所Ｗ需要構(gòu)造??一個如圖２－１所示，兩輸入一輸出的ＢＰ神經(jīng)網(wǎng)絡(luò)，可Ｗ利用ＭＡ....

圖２－５輸出時間序列??Ｆｉｇｕｒｅ?２－５?Ｏｕｔｐｕｔ?ｔｉｍｅ?ｓｅｑｕｅｎｃｅ??

?將ＸＩ）初始化為０，通過遞歸調(diào)用公式（２－２句，可Ｗ計算出系統(tǒng)的輸出時間序列??施），Ｘ３），…，＿ｙ（１００１），得到的輸出時間序列如圖２－５所示。將［ｙ㈱Ｍ腳Ｔ做??輸入數(shù)據(jù)序列，＿ＫＡ＋１；）做輸出時間序列，扛１，２，…，１０００，貝柯Ｗ得到１０００??個樣本數(shù)據(jù)。??１....

圖２－８多點(diǎn)階躍跟蹤結(jié)果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??

＞＞腳＝０．８、於爐￣４?＝?０．１、於爐￣２）?＝?０．９，分別將Ｍ腳、＂爐￣；１）在［－２，?：２］區(qū)間范圍內(nèi)??按增量為０．０１取值，并計算相應(yīng)的目標(biāo)函數(shù)值，在ＭＡＴＬＡＢ中使用＂ｓｕｒｆ＂繪??圖函數(shù)將目標(biāo)函數(shù)繪制，其變化曲面如圖２－９所示，此時，目標(biāo)函數(shù)在＾／貨＋１）＝....

圖２－９目標(biāo)函數(shù)變化曲面圖??Ｆｉｇｕｒｅ?２－９?Ｓｕｒｆａｃｅ?ｏｆ?ｏｂｊｅｃｔｉｖｅ?ｆｕｎｃｔｉｏｎ??

?５?１０?１５?２０?２５?３０?３５??采樣時刻?ｋ??圖２－８多點(diǎn)階躍跟蹤結(jié)果??Ｆｉｇｕｒｅ?２－８?Ｒｅｓｕｌｔｓ?ｏｆ?ｍｕｌｔｉ－ｓｔｅｐ?ｒｅｓｐｏｎｓｅ??２．?６?問題分析（巧ｏｂｌｅｍ?ａｎａｌｙｓｉｓ）??通過逐步的大量仿真調(diào)試，可Ｗ發(fā)現(xiàn)，造成系統(tǒng)輸出＞＞....

本文編號：3905328