一种自构建神经网络的内模控制方法

2014年12月05日14:35:36 本网站我要评论(2)字号：T | T | T

关键字：

摘　　　要：针对非线性过程，提出了一种基于自构建神经网络的内模控制方法（ＩｎｔｅｒｎａｌＭｏｄｅｌＣｏｎｔｒｏｌ，ＩＭＣ）。采用自构建算法实现神经网络的结构学习和参数学习，在被控过程内部模型和控制器模型的辨识过程中，该网络能够根据给定的判定条件自动增加神经元节点，以满足辨识精度的要求；为了防止网络学习过拟合，基于灵敏度方法对神经网络隐层节点进行修剪删除；网络的参数学习采用梯度下降法。自构建算法可以有效地避免普通神经网络内模控制

方案中网络结构难以确定的问题，仿真结果表明，该控制系统有良好的跟踪性、鲁棒性和抗干扰性。

关　键　词：自构建；神经网络；灵敏度；内模控制

１　引　言

内模控制是一种基于过程数学模型的控制方法，过程模型与逆模型的获取是内模控制设计的关键。由于实际工业过程往往存在非线性特性，难以获得精确的数学模型。神经网络因其具有任意逼近非线性的能力而成为了一种有效的建模方法，且与内模控制相结合，进一步丰富了非线性系统的控制方法［１３］。然而神经网络建模仍存在许多不足之处，如网络结构难以确定，复杂的网络结构将使学习收敛速度变得缓慢，归纳性变差；过简的结构又易造成学习能力降低，这些不足较终会影响控制系统的性能。

针对神经网络结构难以确定的不足，一些学者提出了关于ＢＰ神经网络［４］、小波神经网络［５］、模糊神经网络［６９］、模糊小脑神经网络［１０］的结构改进方法，采用动态变结构的思想，有效地改善了网络结构和系统辨识、控制性能。

本文针对非线性过程提出一种基于自构建神经网络的内模控制方法，利用自构建神经网络建立和自适应调整非线性过程模型和控制器模型，实现了辨识网络和控制器网络结构的在线调整。理论分析和仿真结果表明，所提出的方法具有快速跟踪输入、无超调等良好特性，并且能在系统受到干扰或被控过程参数发生变化时，仍然具有较好的自适应性和鲁棒稳定性。

登录网站后可下载文件

一种自构建神经网络的内模控制方法

相关阅读: