內(nèi)模控制及其應用

內(nèi)容概要

　　
內(nèi)?？刂剖枪I(yè)工程控制領域中實用性很強的魯棒控制方法之一，本書系統(tǒng)地介紹了內(nèi)?？刂频幕靖拍睢⒗碚?、設計方法和最新研究成果，主要內(nèi)容包括：內(nèi)?？刂频膰鴥?nèi)外發(fā)展現(xiàn)狀、時滯過程內(nèi)模PID控制器魯棒設計方法、智能自適應內(nèi)?？刂破髟O計方法、基于神經(jīng)網(wǎng)絡和模糊系統(tǒng)理論的非線性過程內(nèi)?？刂圃O計方法以及內(nèi)?？刂圃诠I(yè)領域中的應用。

書籍目錄

第1章 緒論
1.1 引言
1.2 內(nèi)?？刂圃砗统Ｒ?guī)設計方法
1.2.1 內(nèi)模控制性質(zhì)
1.2.2 內(nèi)?？刂频脑O計
1.3 內(nèi)?？刂频膰鴥?nèi)外發(fā)展現(xiàn)狀
1.3.1 濾波器優(yōu)化設計
1.3.2 典型被控過程的應用
1.3.3 內(nèi)?？刂平Y構拓展及改進
1.3.4 先進控制算法在內(nèi)模控制中的應用
本章參考文獻
第2章 時滯過程內(nèi)模PID魯棒設計方法
2.1 內(nèi)模PID控制器設計
2.1.1 一階過程的內(nèi)模PID控制器設計
2.1.2 二階過程的內(nèi)模PID控制器設計
2.1.3 時滯過程內(nèi)模PID控制器設計
2.2 基于最大靈敏度的內(nèi)模PID整定方法
2.2.1 最大靈敏度
2.2.2 時滯過程內(nèi)模PID的魯棒整定
2.2.3 仿真結果與分析
2.3 積分時滯過程內(nèi)模PID控制器魯棒設計
2.3.1 積分時滯系統(tǒng)內(nèi)?？刂?br />2.3.2 積分時滯過程內(nèi)模PID控制器設計
2.3.3 仿真結果與分析
2.4 不穩(wěn)定時滯過程內(nèi)模PID控制器魯棒設計
2.4.1 不穩(wěn)定時滯過程內(nèi)模PID控制器設計
2.4.2 控制系統(tǒng)結構的簡化
2.4.3 仿真結果及分析
本章參考文獻
第3章 智能自適應內(nèi)?？刂破髟O計方法
3.1 一種具有設定值加權的IMC-PID控制方法
3.1.1 基于Padé近似的IMC-PID控制器設計
3.1.2 模糊設定值加權IMC-PID控制方法
3.1.3 仿真分析
3.2 交流伺服系統(tǒng)模糊內(nèi)模PID控制器設計
3.3 神經(jīng)網(wǎng)絡自適應內(nèi)模PID控制方法
3.3.1 神經(jīng)網(wǎng)絡IMC-PID控制器
3.3.2 仿真結果及分析
3.4 三容液位過程的單神經(jīng)元內(nèi)模PID控制方法
本章參考文獻
第4章 神經(jīng)網(wǎng)絡內(nèi)?？刂?br />4.1 神經(jīng)網(wǎng)絡概述
4.1.1 人工神經(jīng)元與神經(jīng)網(wǎng)絡
4.1.2 神經(jīng)網(wǎng)絡辨識結構
4.2 神經(jīng)網(wǎng)絡內(nèi)?？刂葡到y(tǒng)的構造
4.2.1 可逆性分析
4.2.2 非線性系統(tǒng)逆模型
4.2.3 神經(jīng)網(wǎng)絡逆模型辨識
4.2.4 神經(jīng)網(wǎng)絡內(nèi)模控制結構
4.3 多模型神經(jīng)網(wǎng)絡內(nèi)?？刂?br />4.3.1 多模型神經(jīng)網(wǎng)絡內(nèi)模控制策略
4.3.2 基于模糊分類的多模型神經(jīng)網(wǎng)絡內(nèi)?？刂?br />4.3.3 被控模型和控制器的建立
4.3.4 仿真分析
4.4 基于近似內(nèi)模的神經(jīng)網(wǎng)絡控制
4.4.1 非線性離散系統(tǒng)神經(jīng)網(wǎng)絡近似輸入-輸出模型
4.4.2 基于近似內(nèi)模的神經(jīng)網(wǎng)絡控制
4.5 基于自構建神經(jīng)網(wǎng)絡的內(nèi)?？刂品椒?br />4.5.1 自構建（self-constructing）神經(jīng)網(wǎng)絡
4.5.2 自構建神經(jīng)網(wǎng)絡內(nèi)模控制結構
4.5.3 設計步驟
4.5.4 仿真與分析
本章參考文獻
第5章 基于T-S模型的模糊內(nèi)?？刂?br />5.1 模糊系統(tǒng)模型的基本概念
5.2 非線性系統(tǒng)T-S模型結構及辨識方法
5.2.1 動態(tài)系統(tǒng)的T-S模型
5.2.2 T-S模型的辨識過程
5.2.3 仿真分析
5.3 基于自適應遺傳算法的T-S模型辨識方法
5.3.1 遺傳算法基本原理
5.3.2 基于遺傳算法辨識T-S模型
5.3.3 仿真分析
5.4 基于改進的微粒群優(yōu)化算法的T-S模型辨識方法
5.4.1 微粒群優(yōu)化算法
5.4.2 基于微粒群優(yōu)化算法辨識T-S模型
5.4.3 仿真分析
5.5 基于T-S模型的非線性內(nèi)模控制方法
5.5.1 非線性系統(tǒng)的可逆性和逆穩(wěn)定性
5.5.2 模糊內(nèi)部模型的建立
5.5.3 模糊內(nèi)?？刂破鞯脑O計
5.5.4 仿真與分析
本章參考文獻
第6章 內(nèi)?？刂频膽?br />6.1 內(nèi)?？刂圃诠怆姼櫹到y(tǒng)中的應用
6.1.1 光電跟蹤伺服系統(tǒng)系統(tǒng)的組成及工作原理
6.1.2 光電跟蹤伺服系統(tǒng)建模
6.1.3 光電跟蹤伺服系統(tǒng)內(nèi)?？刂破鞯脑O計與實現(xiàn)
6.1.4 實驗結果及分析
6.2 內(nèi)?？刂圃诨鹋陔娨核欧到y(tǒng)中的應用
6.2.1 液壓伺服系統(tǒng)組成原理及模型
6.2.2 內(nèi)?？刂破髟O計
6.2.3 仿真與實驗分析
6.3 單神經(jīng)元自適應內(nèi)?？刂圃诮涣髡{(diào)速系統(tǒng)中的應用
6.3.1 基于轉子磁場定向的交流調(diào)速系統(tǒng)模型
6.3.2 全數(shù)字化交流調(diào)速系統(tǒng)平臺
6.3.3 基于單神經(jīng)元的內(nèi)?？刂破髟O計
6.3.4 系統(tǒng)軟件的設計與實現(xiàn)
6.3.5 實驗結果及分析
本章參考文獻

章節(jié)摘錄

版權頁：   插圖：   4.5 基于自構建神經(jīng)網(wǎng)絡的內(nèi)?？刂品椒?神經(jīng)網(wǎng)絡技術在一定程度上克服了非線性系統(tǒng)難以建模的困難從而得到迅速發(fā)展，多種神經(jīng)網(wǎng)絡內(nèi)?？刂平Y構也取得了非常好的理論和實際價值，如BP網(wǎng)絡內(nèi)?？刂芠19，20]、RBF網(wǎng)絡內(nèi)模控制[21，22]、動態(tài)神經(jīng)網(wǎng)絡內(nèi)?？刂芠23～26]、小波網(wǎng)絡內(nèi)?？刂芠27～30]、模糊神經(jīng)網(wǎng)絡內(nèi)模控制[31～36]及并行自學習網(wǎng)絡內(nèi)?？刂芠37，38]等。然而，在實際應用中神經(jīng)網(wǎng)絡結構的確定一般采用試湊法，僅憑感覺或經(jīng)驗構造網(wǎng)絡，往往不易找到合適的網(wǎng)絡結構。網(wǎng)絡太大容易造成歸納性差（過擬合），網(wǎng)絡太小易造成學習能力低（欠擬合）。神經(jīng)網(wǎng)絡隱層神經(jīng)元的數(shù)目決定了整個網(wǎng)絡的規(guī)模和性能，所以設計一個結構合理的神經(jīng)網(wǎng)絡是非常必要的。 針對這一問題，這里利用自構建神經(jīng)網(wǎng)絡建立和自適應調(diào)節(jié)內(nèi)模控制系統(tǒng)的過程模型和內(nèi)?？刂破?，使得辨識網(wǎng)絡和控制器網(wǎng)絡的結構可以根據(jù)需要在線調(diào)整，有效地避免出現(xiàn)欠擬合與過擬合的情況。 4.5.1 自構建神經(jīng)網(wǎng)絡 針對神經(jīng)網(wǎng)絡結構難以確定這一問題，許多學者提出了解決方法。文獻[39]中提出了Tiling算法，不過無法推廣到實數(shù)映射；文獻[40]提出的Upting算法要求事先知道樣本的大小；文獻[41]提出了有名的CC算法，但是會導致過度擬合；文獻[42]提出的改進的CC算法只適合于單輸出。此外，還有基于進化算法的方法，如文獻[13]提出的藍圖法，但編碼抽象、解釋困難。 所謂自構建（Self—Constructing）神經(jīng)網(wǎng)絡是指在網(wǎng)絡學習過程中，為了使網(wǎng)絡性能始終保持最優(yōu)，網(wǎng)絡結構呈現(xiàn)為動態(tài)變化的神經(jīng)網(wǎng)絡。自構建神經(jīng)網(wǎng)絡可以根據(jù)問題的復雜程度，產(chǎn)生相應的網(wǎng)絡結構。文獻[43]提出了自構建模糊小腦模型，其學習規(guī)則包括結構學習和參數(shù)學習。網(wǎng)絡輸入空間的分割采用自叢集方法來決定輸入樣本的合適分布，用梯度下降法進行參數(shù)和模糊權值的調(diào)整以減小輸出誤差。文獻[44]提出了一種用于非線性控制系統(tǒng)的自構建小波神經(jīng)網(wǎng)絡模型，在學習過程中，用度測量法動態(tài)決定小波基的個數(shù)，通過參數(shù)學習來調(diào)整小波基的形狀和連接權；文獻[45]提出一種用于分類的功能性模糊神經(jīng)網(wǎng)絡，網(wǎng)絡的結構學習采用熵度量法來決定模糊規(guī)則的數(shù)目，參數(shù)學習采用梯度下降法來調(diào)整隸屬函數(shù)形狀和相應權值；文獻[46]將一種可自適應增長和修剪的神經(jīng)網(wǎng)絡控制系統(tǒng)用于控制線性壓電陶瓷馬達，該控制系統(tǒng)包括神經(jīng)網(wǎng)絡控制器和魯棒控制器。文中根據(jù)神經(jīng)元的激勵強度來決定是否增加或刪減神經(jīng)元；文獻[47]設計了一種自構建模糊神經(jīng)網(wǎng)絡控制系統(tǒng)，該控制系統(tǒng)包括自構建模糊神經(jīng)網(wǎng)絡控制器和監(jiān)督控制器，為了優(yōu)化神經(jīng)網(wǎng)絡結構文中提出一種結構自動學習機制，在確?？刂菩阅艿那疤嵯聞討B(tài)改變網(wǎng)絡結構；文獻[48]提出一中用于放射非線性單輸入單輸出系統(tǒng)的自構建模糊控制器，在初始階段網(wǎng)絡有較少的模糊規(guī)則，隨著控制需要逐漸增加模糊規(guī)則和隸屬函數(shù)，為了避免模糊規(guī)則無限制的增長，結構學習過程中用新的隸屬函數(shù)來取代舊的隸屬函數(shù)而不是增加更多的隸屬函數(shù)。將自構建神經(jīng)網(wǎng)絡用于內(nèi)?？刂?，使得辨識網(wǎng)絡和控制器網(wǎng)絡的結構可以根據(jù)需要在線變化，既不會欠擬合也不會過擬合可以提高系統(tǒng)的控制性能。

編輯推薦

《內(nèi)模控制及其應用》可供從事自動化和自動控制工作的科研人員、工程技術人員以及高等院校有關專業(yè)的教師、高年級學生和研究生參考。

圖書封面

圖書標簽Tags

無

評論、評分、閱讀與下載

---

    內(nèi)?？刂萍捌鋺?PDF格式下載

---