国产性70yerg老太,色综合在,国产精品亚洲一区二区无码,无码人妻束缚av又粗又大

基本信息

項目名稱:
基于新的指數(shù)穩(wěn)定性定理的一般Brunovsky系統(tǒng)神經(jīng)網(wǎng)絡學習控制
小類:
機械與控制
簡介:
在本文中,基于確定學習控制理論,以一種普通的Brunovsky系統(tǒng)為參考,研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題,提出并證明了一種新的指數(shù)穩(wěn)定性定理。 此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。
詳細介紹:
人們在一個世紀以前就已經(jīng)開始了對人腦學習能力的模擬研究,取得一定的成果,這些理論都借鑒了人腦處理實際問題時的一個特點:通過一段時間的學習訓練,能夠?qū)W到相關(guān)的知識,并可以用學到的知識來解決實際問題。如:統(tǒng)計學習可以用來對多個不同靜態(tài)模式進行分類,通過學習的神經(jīng)網(wǎng)絡也可以用來進行靜態(tài)模式的分類和未知函數(shù)的逼近,但他們存在一個共同的不足,即只能對知識進行空間描述,缺乏時間上的描述能力。 上世紀八十年代以來,被視為對人腦模擬的人工神經(jīng)網(wǎng)絡得到快速發(fā)展,它的應用極其廣泛,人工神經(jīng)網(wǎng)絡作為對人腦模擬的重要工具,經(jīng)歷了曲折的發(fā)展歷程,當其達到高潮時,出現(xiàn)了很多種類的神經(jīng)網(wǎng)絡,且各自有各自的特點。如:Hopfield網(wǎng)絡具有穩(wěn)定性特點,BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡具有較強的函數(shù)逼近能力。 近三十年來,神經(jīng)網(wǎng)絡被控制界所接受并取得很好的應用。人們利用神經(jīng)網(wǎng)絡的函數(shù)逼近功能,將系統(tǒng)的未知動態(tài)利用神經(jīng)網(wǎng)絡進行參數(shù)化,然后利用自適應技術(shù)設計神經(jīng)網(wǎng)絡控制器,實現(xiàn)對未知動態(tài)系統(tǒng)的控制,取得了較好的控制效果。最初的神經(jīng)網(wǎng)絡控制理論是基于優(yōu)化原理的,缺乏對系統(tǒng)穩(wěn)定性和性能指標的分析。之后,基于Lyapunov理論的神經(jīng)網(wǎng)絡自適應控制理論能夠?qū)ο到y(tǒng)的內(nèi)部穩(wěn)定性及相關(guān)性能指標進行很好的分析,因而被廣泛應用。 九十年代中期以來,人們利用某些神經(jīng)網(wǎng)絡在特定條件下具有的持續(xù)激勵特性,將神經(jīng)網(wǎng)絡應用到系統(tǒng)辨識中,隨著神經(jīng)網(wǎng)絡理論自身的進一步發(fā)展,有很多神經(jīng)網(wǎng)絡都被應用到控制領域,如:BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。人工神經(jīng)網(wǎng)絡雖然在控制領域得到廣泛應用,而且取得一定成果,但與人們預想的效果還是存在差距,它能夠?qū)崿F(xiàn)對未知動態(tài)的學習與控制,但由于不能保證對未知參數(shù)的持續(xù)激勵,神經(jīng)網(wǎng)絡無法實現(xiàn)對未知動態(tài)的精確逼近。 近年來,相關(guān)文獻提出了確定學習理論。首先提出了局部化神經(jīng)網(wǎng)絡和局部神經(jīng)網(wǎng)絡逼近的概念,其次,給出了部分持續(xù)激勵條件的概念,即要求離系統(tǒng)軌跡足夠近的中心結(jié)點所對應的回歸向量滿足部分持續(xù)激勵條件,在此基礎上,局部化神經(jīng)網(wǎng)絡的權(quán)值在控制過程中能夠收斂到理想值,從而學習到系統(tǒng)的未知動態(tài)的,并將學到的知識存到固定權(quán)值的神經(jīng)網(wǎng)絡中,該固定權(quán)值的神經(jīng)網(wǎng)絡可以代替系統(tǒng)的未知動態(tài),應用到實際控制中,這一系列知識就是新的控制理論——確定學習控制。它已被成功應用到系統(tǒng)控制、觀測器的設計、動態(tài)系統(tǒng)的辨識、動態(tài)模式識別、故障模式識別。故障診斷等研究中,取得一些研究成果。 在本文中,基于確定學習控制理論,以一種普通的Brunovsky系統(tǒng)為參考,研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題,提出并證明了一種新的指數(shù)穩(wěn)定性定理。在此,首先考慮閉環(huán)標稱系統(tǒng)的指數(shù)穩(wěn)定性;然后,根據(jù)提出的指數(shù)穩(wěn)定性定理,在相應的持續(xù)激勵得到滿足的條件下,研究了未知非線性系統(tǒng)的神經(jīng)網(wǎng)絡權(quán)值的指數(shù)收斂性。從而實現(xiàn)對未知動態(tài)的學習控制,神經(jīng)網(wǎng)絡在局部范圍能精確逼近未知函數(shù)。最后,較理想的實例仿真驗證了該指數(shù)穩(wěn)定定理的可行性。此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。

作品專業(yè)信息

撰寫目的和基本思路

寫作目的:在現(xiàn)有結(jié)論的基礎上,提煉出一種新的指數(shù)穩(wěn)定性方法,并將其應用到未知系統(tǒng)的確定學習控制中。 基本思路:基于神經(jīng)網(wǎng)絡控制已有的結(jié)論,提出并證明了一種新的指數(shù)穩(wěn)定性定理,繼而將其應用到未知系統(tǒng)的穩(wěn)定性分析中,并通過實例仿真,以較好的系統(tǒng)參數(shù)收斂效果驗證該指數(shù)穩(wěn)定定理的可行性。

科學性、先進性及獨特之處

本作品是以最近提出的確定學習控制理論為基礎的,相比神經(jīng)網(wǎng)絡自適應控制,確定學習理論實現(xiàn)了對未知系統(tǒng)的精確逼近,并將學習到的知識存儲到固定權(quán)值的神經(jīng)網(wǎng)絡中,應用到實際的控制中。其亮點在于新的指數(shù)穩(wěn)定定理的提出,該理論大大簡化了系統(tǒng)參數(shù)收斂性的證明過程,且可以推廣到相關(guān)問題的證明中。

應用價值和現(xiàn)實意義

本作品是確定學習控制的理論成果,較好的實例仿真效果表明該理論可以應用到實際非線性控制中,目前該理論已經(jīng)在很多領域得到應用,并取得較好成果,比如:動態(tài)模式識別、機器人控制、故障診斷等,隨著進一步研究,相信他會有更大的利用價值和空間。

學術(shù)論文摘要

在本文中,基于確定學習控制理論,以一種普通的Brunovsky系統(tǒng)為參考,研究確定性學習過程。為了解決一類非線性系統(tǒng)的自適應控制參數(shù)的收斂問題,提出并證明了一種新的指數(shù)穩(wěn)定性定理。在此,首先考慮閉環(huán)標稱系統(tǒng)的指數(shù)穩(wěn)定性;然后,根據(jù)提出的指數(shù)穩(wěn)定性定理,在相應的持續(xù)激勵得到滿足的條件下,研究了未知非線性系統(tǒng)的神經(jīng)網(wǎng)絡權(quán)值的指數(shù)收斂性。從而實現(xiàn)對未知動態(tài)的學習控制,神經(jīng)網(wǎng)絡在局部范圍能精確逼近未知函數(shù)。最后,較理想的實例仿真驗證了該指數(shù)穩(wěn)定定理的可行性。此指數(shù)穩(wěn)定定理可進一步推廣到多變量系統(tǒng)的學習控制中。

獲獎情況

時間:2011年3月26—28日 地點:中國江蘇省南京市 會議:信息科學與技術(shù)國際會議

鑒定結(jié)果

在信息科學與技術(shù)國際會議上發(fā)表 被EI收錄

參考文獻

[1] K. S. Narendra and K. Parthasarathy, “Identification and control of dynamic systems using neural networks,” IEEE Trans. Neural Networks, vol. 1, no. 1, pp. 4-27, 1990. [2] R. M. Sanner and J. E. Slotine, “Gaussian networks for direct adaptive control,” IEEE Trans. Neural Networks, vol. 3, no. 6, pp. 837-863, 1992. [3] M. M. Polycarpou and M. J. Mears, “Stable adaptive tracking of uncertain systems using nonlinearly parameterized on-line approximators,” International Journal of Control, vol. 70, no. 3, pp. 363-384, 1998. [4] C. Wang and D. J. Hill, “Leaning from direct adaptive neural control,” 5th Asian Control Conference, 2004. [5] C. Wang and D. J. Hill, “Learning form neural control,” IEEE Trans. Neural Networks, vol. 17, no. 1, Jan., 2006. [6] Tengfei Liu, C. Wang, and D. J. Hill, “Learning form neural control of nonlinear systems in normal form,” Systems & Control Letters, vol. 58, pp. 633-638, 2009 .

同類課題研究水平概述

人們在一個世紀以前就已經(jīng)開始了對人腦學習能力的模擬研究,取得一定的成果,這些理論都借鑒了人腦處理實際問題時的一個特點:通過一段時間的學習訓練,能夠?qū)W到相關(guān)的知識,并可以用學到的知識來解決實際問題。但他們存在一個共同的不足,即只能對知識進行空間描述,缺乏時間上的描述能力。 上世紀八十年代以來,被視為對人腦模擬的人工神經(jīng)網(wǎng)絡得到快速發(fā)展,它的應用極其廣泛,人工神經(jīng)網(wǎng)絡作為對人腦模擬的重要工具,經(jīng)歷了曲折的發(fā)展歷程,當其達到高潮時,出現(xiàn)了很多種類的神經(jīng)網(wǎng)絡,且各自有各自的特點。 近三十年來,神經(jīng)網(wǎng)絡被控制界所接受并取得很好的應用。人們利用神經(jīng)網(wǎng)絡的函數(shù)逼近功能,將系統(tǒng)的未知動態(tài)利用神經(jīng)網(wǎng)絡進行參數(shù)化,然后利用自適應技術(shù)設計神經(jīng)網(wǎng)絡控制器,實現(xiàn)對未知動態(tài)系統(tǒng)的控制,取得了較好的控制效果。最初的神經(jīng)網(wǎng)絡控制理論是基于優(yōu)化原理的,缺乏對系統(tǒng)穩(wěn)定性和性能指標的分析。之后,基于Lyapunov理論的神經(jīng)網(wǎng)絡自適應控制理論能夠?qū)ο到y(tǒng)的內(nèi)部穩(wěn)定性及相關(guān)性能指標進行很好的分析,因而被廣泛應用。 九十年代中期以來,人們利用某些神經(jīng)網(wǎng)絡在特定條件下具有的持續(xù)激勵特性,將神經(jīng)網(wǎng)絡應用到系統(tǒng)辨識中,隨著神經(jīng)網(wǎng)絡理論自身的進一步發(fā)展,有很多神經(jīng)網(wǎng)絡都被應用到控制領域,如:BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等。人工神經(jīng)網(wǎng)絡雖然在控制領域得到廣泛應用,而且取得一定成果,但與人們預想的效果還是存在差距,它能夠?qū)崿F(xiàn)對未知動態(tài)的學習與控制,但由于不能保證對未知參數(shù)的持續(xù)激勵,神經(jīng)網(wǎng)絡無法實現(xiàn)對未知動態(tài)的精確逼近。 近年來,相關(guān)文獻提出了確定學習理論。首先提出了局部化神經(jīng)網(wǎng)絡和局部神經(jīng)網(wǎng)絡逼近的概念,其次,給出了部分持續(xù)激勵條件的概念,即要求離系統(tǒng)軌跡足夠近的中心結(jié)點所對應的回歸向量滿足部分持續(xù)激勵條件,在此基礎上,局部化神經(jīng)網(wǎng)絡的權(quán)值在控制過程中能夠收斂到理想值,從而學習到系統(tǒng)的未知動態(tài)的,并將學到的知識存到固定權(quán)值的神經(jīng)網(wǎng)絡中,該固定權(quán)值的神經(jīng)網(wǎng)絡可以代替系統(tǒng)的未知動態(tài),應用到實際控制中,這一系列知識就是新的控制理論——確定學習控制。它已被成功應用到系統(tǒng)控制、觀測器的設計、動態(tài)系統(tǒng)的辨識、動態(tài)模式識別、故障模式識別。故障診斷等研究中,取得一些研究成果。
建議反饋 返回頂部