没有合适的资源?快使用搜索试试~ 我知道了~
首页基于BP算法的无模型自适应迭代学习控制
基于BP算法的无模型自适应迭代学习控制
451 浏览量
更新于2023-05-29
评论 3
收藏 389KB PDF 举报
为了改善针对一般非线性离散时间系统的控制性能,引入“拟伪偏导数”概念,给出了一般非线性离散时间系统沿迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适应迭代学习控制方案。仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性。
资源详情
资源评论
资源推荐

基于基于BP算法的无模型自适应迭代学习控制算法的无模型自适应迭代学习控制
为了改善针对一般非线性离散时间系统的控制性能,引入“拟伪偏导数”概念,给出了一般非线性离散时间系统沿
迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适
应迭代学习控制方案。仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性。
摘摘 要:要: 为了改善针对一般非线性离散时间系统的控制性能,引入“
关键词:关键词: BP算法;
针对设计部分依赖、不完全依赖和不依赖受控系统数学模型的控制系统,国内外控制理论界做了多年的努力,发展了许多
理论和方法。例如专家系统、模糊控制[1]、神经网络、多模型方法等。最近无模型自适应控制理论得到了广泛的应用,该控
制器的设计和分析不需要已知系统的任何知识,仅依赖于系统的输入输出数据,与模型结构、系统阶数均无关。
迭代学习控制(ILC)可利用以前操作的信息修正当前控制行为,提高控制性能,可以实现有限时间区间上的完全跟踪任务,近
十几年来得到了广泛的研究[2]。池荣虎将非参数自适应控制(NP-AC)的基本思想和分析手段引入到学习过程中,提出了一
种新的无模型自适应迭代学习控制方案(MF-AILC)[3,4]。考虑如下一般非线性离散时间SISO系统:
这种控制方案只需系统的输入输出数据,与系统的模型结构、系统阶数无关。
神经网络是借鉴于生物神经网络而发展起来的新型智能信息处理系统,可作为一般的函数估计器,有较强的自学习、自组
织与自适应性,能够用数理方法从信息处理的角度对人脑神经网络进行抽象,并建立某种简化模型。模糊逻辑则模仿人脑的逻
辑思维机理,用于处理模型未知或不精确的控制问题,对非线性系统控制简单、有效。二者各有所长,具有互补性。模糊神经
网络将神经网络与模糊逻辑[5]相结合,这种结合给智能系统提供了一个新的研究方向[6]。
















安全验证
文档复制为VIP权益,开通VIP直接复制

评论0