基于快速反射镜的自适应控制算法研究_曹洪瑞
自适应控制算法的实现
题目：自适应控制算法的实现 利用FOXBORO控制模块PIDA、FBTUNE、FFTUNE可以构成自适应和自整定控制算法。在电站应用中，这种算法可以用来克服过热、再热系统的纯滞后，实现磨煤系统的模糊控制，在其它行业的先进控制应用中也很具优势。 其基本组态方法如下： 1。建立PIDA模块。 MODOPT ≥ 4。 2。建立FBTUNE 和 FFTUNE 模块，分别将 PIDA.BLKSTA 参数连至 FBTUNE和 FFTUNE的PIDBLK。 3。将扰动量连至 FFTUNE 的LOAD_n (n=1～4)。 说明： 1。使用FBTUNE可以实现对PIDA中 PBAND(比例带)、INT(积分时间)、DERIV (微分时间)、DTIME(纯延迟时间)、SPLLAG(设定值超前-滞后系数)、FILTER (用于克服过程滞后与控制器滞后间不匹配的因子)的自整定。 2。当PIDA在PI或PID方式下，若FBTUNE的DFCT不大于1，如果此时FBTUNE的 PR_FL＝0，可以实现控制对象不确定的模糊控制。这种方式不需要预整定。 3。当FBTUNE的 DFCT>1，或 PIDA 在 NIPID、PI_TAU、PID_TAU方式下，或 FBTUNE 的 PR_FL=1，需作预整定。预整定时，PIDA应处于手动状态，在 FBTUNE 的详细画面上置位 PTNREQ。预整定完毕，能确定 FBTUNE 的 PR_TYP (过程类型)、DFCT 及 PIDA 的 PBAND、INT、DERIV、DTIME、 SPPLLAG。 4。在FBTUNE的详细画面上置位STNREQ，若PIDA在自动状态下，FBTUNE将 进入自整定状态。建议将预整定的P、I、D参数或经验的P、I、D参数填入 FBTUNE详细画面的PM、IM、DM中。这样，在自整定不能很好满足控制要 求时，可以在FBTUNE的详细画面上置位 FB_HOLD，并 TOGGLE PIDRCL， 于是 FBTUNE 会将保留在 PM、IM、DM 中的整定参数装入PIDA中。复位 FB_HOLD，FBTUNE仍回到自整定状态。
自适应控制综述
自适应控制文献综述 卢宏伟 （华中科技大学控制科学与工程系信息与技术研究所 M200971940） 摘要：文中对自适应控制系统的发展、系统类型、控制器类型以及国内外自适应控制在工业和非工业领域的应用研究现状进行了较系统的总结。自适应控制成为一个专门的研究课题已超过50年了，至今，自适应控制已在很多领域获得成功应用，证明了其有效性。但也有其局限性和缺点，导致其推广应用至今仍受到限制，结合神经网络、模糊控制是自适应控制今后发展的方向。 关键字：自适应控制鲁棒性自适应控制器 1.自适应控制的发展概况 自适应控制系统首先由Draper和Li 在1951年提出，他们介绍了一种能使性能特性不确定的内燃机达到最优性能的控制系统。而自适应这一专门名词是1954年由Tsien在《工程控制论》一书中提出的，其后，1955年Benner 和Drenick也提出一个控制系统具有“自适应”的概念。 自适应控制发展的重要标志是在1958午Whitaker“及共同事设计了一种自适应飞机飞行控制系统。该系统利用参考模型期望特性和实际飞行特性之间的偏差去修改控制器的参数，使飞行达到最理想的特性，这种系统称为模型参考自适应控制系统(MRAC系统)。此后，此类系统因英国皇家军事科学院的Parks利用李稚普诺夫(Lyapunov)稳定性理论和法国Landau利用Popov 的超稳定性理论等设计方法而得到很大的发展，使之成为—种最基本的自适应控制系统。1974年，为了避免出现输出量的微分信号，美国的Monopli 提出了一种增广误差信号法，因而使输入输出信号设汁的自适应控制系统更加可靠地应用与实际工程中。 1960年Li和Wan Der Velde提出的自适应控制系统，他的控制回路中用一个极限环使参数不确定性得到自动补偿，这样的系统成为自振荡的自适应控制系统。 Petrov等人在1963年介绍了一种自适应控制系统，它的控制数如有一个开关函数或继电器产生，并以与参数值有关的系统轨线不变性原理为基础来设计系统，这种系统称为变结构系统。 1960到1961年Bellman和Fel`dbaum分别在美国和苏联应用动态规划原理设计具有随机不确定性的控制系统时，发现作为辨识信号和实际信号的控制输入之间存在对偶特性，因而提出对偶控制。 Astrom和Wittenmark对发展另一类重要的自适应控制系统，即自校正调节器(STR)作出了重要的贡献。这种调节器用微处理机很容易实现。这一有创见的工作得到各国学者普遍的重视，并且把发展各种新型的STR和探索新的应用工作推向新的高潮，使得以STR方法设计的自适应控制系统在数量上迢迢领先。在这些发展中以英国的Clarker和Gawthrop在1976年提出的广义最小方差自校正控制器最受重视。它克服了自校正调节器不能用于非最小相位系统等缺点。为了既保持自校正调节器实现简单的优点，又有拜较好的
自适应控制中PID控制方法
自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== (1-1) 其中x(t),u(t),y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动与噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ (1-2) X(k),X(k),U(k),Y(k),V(k)分别为n,n,p,m,m 维列向量;(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就就是研究:在矩阵(,)k θΦ,(,)k ρθ,(,)H k θ中的参数向量,随机 {()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题,也就就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下,设计控制序列u(0),u(1),…,u(N- 1),使得指定的性能指标尽可能接近最优与保持最优。 自适应控制就是现代控制的重要组成部分,它同一般反馈控制相比有如下突出特点: (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。
(2)一般反馈控制具有抗干扰作用,即它能够消除状态扰动引起的系统误差,而自适应控制因为有辨识对象与在线修改参数的能力,因而不仅能消除状态扰动引起的系统误差,还能消除系统结构扰动引起的系统误差。 (3)自适应控制就是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 1、1模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点就是具有参考模型,其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种:局部参数最优法,如梯度算法等,该方法的局限性在于不一定能保证调节过程总就是稳定的;基于稳定性理论的设计方法,如Lyapunov稳定性理论与Popov超稳定性理论的设计方法。 1、2自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点就是具有在线测量及在线辨识环节,其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为:最小方差自校正控制,其特点就是算法简单、易理解、易实现,但只适用于最小相位系统,对靠近单位圆的零点过于灵敏,而且扰动方差过大时调节过程过于猛烈;广义最小方差自校正控制,可用于非逆稳系统,但难以实现;基于多步预测的自适应控制,适用于不稳定系统等,具有易实现、鲁棒性强的优点;自校正极点配置控制,具有动态性能好、无控制过激现象的特点,但静态干扰特性差;自校正PID控制,具有算法简单、鲁棒性强、待定参数少的特点;增益调度控制,优点就是参数适应快,缺点就是选择合适的列表需要大量的仿真实验,另外离线的计算量大。
模型参考自适应控制
10．自适应控制 严格地说，实际过程中的控制对象自身及能所处的环境都是十分复杂的，其参数会由于种种外部与内部的原因而发生变化。如，化学反应过程中的参数随环境温度和湿度的变化而变化（外部原因），化学反应速度随催化剂活性的衰减而变慢（内部原因），等等。如果实际控制对象客观存在着较强的不确定，那么，前面所述的一些基于确定性模型参数来设计控制系统的方法是不适用的。 所谓自适应控制是对于系统无法预知的变化，能自动地不断使系统保持所希望的状态。因此，一个自适应控制系统，应能在其运行过程中，通过不断地测取系统的输入、状态、输出或性能参数，逐渐地了解和掌握对象，然后根据所获得的过程信息，按一定的设计方法，作出控制决策去修正控制器的结构，参数或控制作用，以便在某种意义下，使控制效果达到最优或近似更优。目前比较成熟的自适应控制可分为两大类：模型参考自适应控制（Model Reference Adaptive Control）和自校正控制（Self-Turning）。 10.1模型参考自适应控制 10.1.1模型参考自适应控制原理 模型参考自适应控制系统的基本结构与图10.1所示： 10.1模型参考自适应控制系统 它由两个环路组成，由控制器和受控对象组成内环，这一部分称之为可调系统，由参考模型和自适应机构组成外环。实际上，该系统是在常规的反馈控制回路上再附加一个参考模型和控制器参数的自动调节回路而形成。
在该系统中，参考模型的输出或状态相当于给定一个动态性能指标，（通常，参考模型是一个响应比较好的模型），目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照一定的规律（自适应律）来修正控制器的参数（参数自适应）或产生一个辅助输入信号（信号综合自适应），从而使受控制对象的输出尽可能地跟随参考模型的输出。 在这个系统，当受控制对象由于外界或自身的原因系统的特性发生变化时，将导致受控对象输出与参考模型输出间误差的增大。于是，系统的自适应机构再次发生作用调整控制器的参数，使得受控对象的输出再一次趋近于参考模型的输出（即与理想的希望输出相一致）。这就是参考模型自适应控制的基本工作原理。 模型参考自适应控制设计的核心问题是怎样决定和综合自适应律，有两类方法，一类为参数最优化方法，即利用优化方法寻找一组控制器的最优参数，使与系统有关的某个评价目标，如：J=? t o e 2(t)dt ，达到最小。另一类方法是基于稳 定性理论的方法，其基本思想是保证控制器参数自适应调节过程是稳定的。如基于Lyapunov 稳定性理论的设计方法和基于Popov 超稳定理论的方法。 系统设计举例 以下通过一个设计举例说明参数最优化设计方法的具体应用。 例10.1设一受控系统的开环传递函数为W a (s)=) 1(+s s k ，其中K 可变，要求 用一参考模型自适应控制使系统得到较好的输出。 解：对于该系统，我们选其控制器为PID 控制器，而PID 控制器的参数由自适应机构来调节，参考模型选性能综合指标良好的一个二阶系统： W m (d)= 1 414.11 2 ++s s 自适应津决定的评价函数取 minJ =?t e 2 (t)dt ，e(t)为参考模型输出与对象输出的误差。 由于评价函数不能写成PID 参数的解析函数形式，因此选用单纯形法做为寻优方法。（参见有关优化设计参考文献）。 在上述分析及考虑下，可将系统表示具体结构表示如下图10.2所示。
随机控制理论
随机控制理论的一个主要组成部分是随机最优控制，这类随机控制问题的求解有赖于动态规划的概念和方法。 简介 随机控制理论 随机控制理论的目标是解决随机控制系统的分析和综合问题。维纳滤波理论和卡尔曼-布什滤波理论是随机控制理论的基础之一。 内容 控制理论中把随机过程理论与最优控制理论结合起来研究随机系统的分支。随机系统指含有内部随机参数、外部随机干扰和观测噪声等随机变量的系统。随机变量不能用已知的时间函数描述，而只能了解它的某些统计特性。自动控制系统分为确定性系统和不确定性系统两类，前者可以通过观测来确定系统的状态，后者则不能。随机系统是不确定性系统的一种，其不确定性是由随机性引起的。严格地说，任何实际的系统都含有随机因素，但在很多情况下可以忽略这些因素。当这些因素不能忽略时，按确定性控制理论设计的控制系统的行为就会偏离预定的设计要求，而产生随机偏差量。 涉及领域 飞机或导弹在飞行中遇到的阵风，在空间环境中卫星姿态和轨道测量系统中的测量噪声，各种电子装置中的噪声，生产过程中的种种随机波动等，都是随机干扰和随机变量的典型例子。随机控制系统的应用很广，涉及航天、航空、航海、军事上的火力控制系统，工业过程控制，经济模型的控制，乃至生物医学等。 研究课题 随机控制理论研究的课题包括随机系统的结构特性和运动特性(如动 态特性、能控性、能观测性、稳定性)的分析，随机系统状态的估计，以及随机控制系统的综合（即根据期望性能指标设计控制器）。随机系统中含有随机变量，所以在研究中需要使用随机过程的基本概念和概率统计方法。严格实现随机最优控制是很困难的。对于线性二次型高斯(LQG)随机过程控制问题,包括它的特例最小方差控制问题，可以应用分离原理把随机最优控制问题分解成状态估计问题和确定性最优控制问题，最终能得到全局最优的结果。但对于一般的随机控制问题应用分离原理只能得到次优的结果。随机状态模型
多传感器数据融合算法.
一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。
自适应控制算法
自适应控制算法综述 定时器Timer0中断服务子程序在整个控制过程中处于最核心地位。振动数据的采样频率就是通过定时器Timer0的中断周期来实现的，实际中中断周期为0.1ms 。程序每隔0.1ms 读取一次A/D 采集并平滑过的数据，调用单点数据的LMS 自适应处理子程序，计算完成后通过D/A 输出控制信号，经功放放大后作用于压电作动器。即实现了在采样频率10KHz 下，智能结构振动控制的实时处理。 参考自适应对消原理图，自适应对消的目的在于利用0v (n)和1v (n)的相关性，使y(n)成为0v (n)的估计值，则e(n)逼近s(n)的估计值。由图可得 e(n)=d(n)-y(n) 又有： d(n)=s(n)+ 0v (n) 所以： e(n)=s(n)+ 0v (n)-y(n) )]()()[(2)]()([)()(02022n y n v n s n y n v n s n e -+-+= 由于)(n y 是)(0n v 的估计值，又)(n s 与)(0n v 不相关，所以有E{2s(n)[v0(n)-y(n)]}为0，即有 E[)(2n e ]=E[)(2n s ]+E[(v0(n)-y(n))2] 显然，当y(n)趋于v0(n)时，有 )]([2n e E 取得最小值。 各信号的对应关系如下： s(n)-实验中振动对象自身所带的噪声信号。
v0(n)-实验中激振器激励振动对象的振动信号。 d(n)-实验中未对振动对象进行振动主动控制时的振动信号。 v1(n)-实验中激振器激励振动对象同时提供的激励参考信号。 y(n)-实验中控制器根据自适应控制算法提供的控制信号。 e(n)-实验中已对振动对象进行振动主动控制后的振动信号。 设自适应滤波器的长度m=64，收敛因子mu=0.005，信号长度n=512。m=64; mu=0.005; n=512; x=zeros(1,n+1); w=zeros(1,m*3); d=zeros(1,n+1); inputsignal=zeros(1,n+1); designsignal=zeros(1,n+1); outputsignal=zeros(1,n+1); errorsignal=zeros(1,n+1); e=0; y=0; for i=1:n ds=sin(2*pi*0.02(i-1))+0.2*WGN(1,1,1,’real’); xs=sin(2*pi*0.02(i-1)); for ii=2:m x(ii-1)=x(ii); end x(m)=xs; y=0; for ii=1:m y=y+x(ii)*w(ii); end e=ds-y;
自适应控制的情况总结与仿真
先进控制技术大作业
自适应控制技术综述及仿真 1自适应控制系统综述 1.1自适应控制的发展背景 自适应控制器应当是这样一种控制器，它能够修正自己的特性以适应对象和扰动的动特性的变化。这种自适应控制方法应该做到：在系统运行中，依靠不断采集控制过程信息，确定被控对象的当前实际工作状态，优化性能准则，产生自适应控制规律，从而实时地调整控制器结构或参数，使系统始终自动地工作在最优或次最优的运行状态。自从50年代末期由美国麻省理工学院提出第一个自适应控制系统以来，先后出现过许多不同形式的自适应控制系统。模型参考自适应控制和自校正调节器是目前比较成熟的两类自适应控制系统 模型参考自适应控制系统发展的第一阶段(1958年～1966年)是基于局部参数最优化的设计方法。最初是使用性能指标极小化的方法设计MRAC，这个方法是由Whitaker等人于1958年在麻省理工学院首先提出来的，命名为MIT规则。接着Dressber，Price，Pearson等人也提出了不同的设计方法。这个方法的主要确点是不能确保所设计的自适应控制系统的全局渐进稳定；第二阶段(1966～1974年)是基于稳定性理论的设计方法。Butchart和Shachcloth、Parks、Phillipson等人首先提出用李亚普诺夫稳定性理论设计MRAC系统的方法。在选择最佳的李亚普诺夫函数时，Laudau采用了波波夫超稳定理论设计MRAC系统；第三阶段(1974-1980年)是理想情况(即满足假定条件)下MRAC系统趋于完善的过程。美国马萨诸塞大学的Monopoli提出一种增广误差信号法，当按雅可比稳定性理论设计自适应律时，利用这种方法就可以避免出现输出量的微分信号，而仅由系统的输入输出便可调整控制器参数；针对一个控制系统控制子系统S进行研究，通常现代控制理论把大型随机控制系统非线性微分方程组式简化成一个拥有已知的和具有规律变化性的系统数学模型。但在实际工程中，被控对象或过程的数学模型事先基本都难以仅采用简单的数学模型来确定，即使在某一特定条件下确定的数学模型，在条件改变了以后，其动态参数乃至于模型的结构仍然可能发生变化。为此，针对在大幅度简化后所形成的拥有已知的和预先规律变化性的系统数学模型，需要设计一种特殊的控制系统，它能够自动地补偿在模型阶次、参数和输入信号方面未知的变化，
自适应控制的相关算法
智能跑步机平台的运动控制 摘要：这个智能跑步机是一个促动平台，在虚拟现实的探索中允许步行用户不受约束的运动，该平台由通过球阵列地毯覆盖和安装在转盘的线性跑步机，及配备有用于线性和角运动两个致动装置。这个平台的主要控制任务是让步行者始终在平台的中心，同时抵消他任意走动 然后满足感知的约束。这个平台的控制问题也不小，由于运动系统中是不完全约束的。文章的第一部分是描述智能平台的运动控制装备的设计，线性运动和角运动平台的速度的控制输入和反馈是基于步行者通过外部视觉跟踪系统测量而获得。通常，基于观察者的干扰和步行者的随意速度，我们结合了反馈和前反馈，提出全球稳定控制项目。我们同样讨论了加速度和动力影响步行者的运动控制。文章的第二部分是致力于全面系统的实际运用上。作为最终全面平台的概念证明，机器的设计和智能跑步机的一个小规模实现原型的呈现，以及通过使用的全方位相机来获得人的助行器的平台上的位置的视觉定位方法。为了得到有效的运动控制设计建议，一系列的运动任务演示实验结果是报告和讨论使用了一个很小的运动跟踪器来呈现。 关键词：观察者的干扰，输入输出反馈，线性，原地运动平台，运动控制，不完整的系统，虚拟现实，视觉跟踪。 1、介绍 全向运动平台使用在虚拟现实上的探索，最终的目标是在虚拟现实场景中使用者完全沉浸于其中，我们头戴式显示器，很自然的速度自由行走任何方向，当我们保持着身体的平台运动范围和不需要任何穿戴的限制装备。比如追踪步行者位置和步调特征。用这种方式支持当地运动，这个平台抵消步行者的任意运动，以保持步伐一致。所以，联系观察者对步行者的影响，考虑输入指令的限制，避免使用者沉浸时的干扰。这就是欧洲探寻只能跑步机工作的主要任务。 不同的运动允许人们行走在虚拟环境中界面存在。很多情况，运动限制在1D线性跑步机上，有点像运输平台，用户由一个线束约束应用稳定特性和其他虚拟特效。为了适应微小缓慢的方向改变，这个跑步机将安装在转换平台上。另一种不同的方法是采取环形通道，这些活跃的移动转随着脚移动。再者，这些步行者需要避免快速的转换和高速度。对于在2D 无限制的平台上行走，全向跑步机上回使用两个垂直的方向带和很大的环形，而实施圆环状带排列在圆环跑步机。由于控制系统的缺陷，两种机构系统都需要允许限制速度。更多的是机械的实现受到限制是由于大量的运动片段。这种问题是不存在想智能领域的无源器件。然而，步行者的自然性是由球形地板内曲率的限定。过去常常使用二者选一的原则，这个输送带和旋转平台输送的运动通过球阵列板来认识2D平面跑步机。在球形列放置在一个凹面上不动，但是有传感器仪器检测角接触。
数据融合各种算法整理汇总
数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库
自适应控制实验
k c t t 实验一 一、 可增益Lyapunov-MRAC 算法 1.1 步骤： 已知： N （s ） D (s ) 第一步：选择参考模型，即Gm （s ）； 第二步：选择输入信号 y r （t ）和自适应增益γ； 第三步：采样当前参考模型输出 y m （t ）和系统实际输出 y p （t ）； 第四步：利用公式 & ( )= γe (t ) y r (t ) 和公式 u ( )= k c (t ) y r (t ) ； 第五步：t t+h ，返回第三步，继续循环。 1.2 考虑如下被控方对象模型： G p (s )= 选择参考模型为： k p (s + 1) s 2 + 5s + 1 ， k p 未知（仿真时取 k p =1） G m (s )= k m (s + 1) s 2 + 5s + 1 ， k m =1 因为 G P (s )、 G m (s )均为严格正实函数。取自适应增益γ=0.2，输入 y r 为 方波信号，幅值r=1，采用可调增益Lyapunov-MRAC 算法，仿真程序以及仿真结 果如下。 二、仿真程序 %可调增益Lyapunov-MRAC clear all ;close all ; h=0.1;L=100/h;%数值积分步长和仿真步数 num=[1 1];den=[1 5 1];n=length(den)-1; kp=1;[Ap,Bp,Cp,Dp]=tf2ss(kp*num,den); km=1;[Am,Bm,Cm,Dm]=tf2ss(km*num,den); gamma=0.2; yr0=0;u0=0;e0=0; xp0=zeros(n,1);xm0=zeros(n,1); kc0=0; r=1;yr=r*[ones(1,L/4) -ones(1,L/4) ones(1,L/4) -ones(1,L/4)]; for k=1:L; time(k)=k*h;
自适应控制中PID控制方法
自适应控制中P I D控 制方法 -CAL-FENGHAI.-(YICAI)-Company One1
自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== （1-1） 其中x(t)，u(t)，y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动和噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ （1-2） X(k)，X(k)，U(k)，Y(k)，V(k)分别为n ，n ，p ，m ，m 维列向量；(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就是研究:在矩阵(,)k θΦ，(,)k ρθ，(,)H k θ中的参数向量，随机{()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题，也就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1)，…，u(N- 1)，使得指定的性能指标尽可能接近最优和保持最优。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比有如下突出特点： (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。
(2)一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。 (3)自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种：局部参数最优法,如梯度算法等，该方法的局限性在于不一定能保证调节过程总是稳定的；基于稳定性理论的设计方法，如Lyapunov稳定性理论和Popov超稳定性理论的设计方法。 自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点是具有在线测量及在线辨识环节，其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为：最小方差自校正控制，其特点是算法简单、易理解、易实现，但只适用于最小相位系统，对靠近单位圆的零点过于灵敏，而且扰动方差过大时调节过程过于猛烈；广义最小方差自校正控制，可用于非逆稳系统，但难以实现；基于多步预测的自适应控制，适用于不稳定系统等，具有易实现、鲁棒性强的优点；自校正极点配置控制，具有动态性能好、无控制过激现象的特点，但静态干扰特性差；自校正PID控制，具有算法简单、鲁棒性强、待定参数少的特点；增益调度控制，优点是参数适应快，缺点是选择合适的列表需要大量的仿真实验，另外离线的计算量大。
PID自适应控制学习与Matlab仿真
PID自适应控制学习与Matlab仿真 0 引言 在P ID控制中，一个关键的问题便是P I D参数整定。传统的方法是在获取对象数学模型的基础上，根据某一整定原则来确定PID参数。然而实际的工业过程往往难以用简单的一阶或二阶系统来描述，且由于噪声、负载扰动等因素的干扰，还可以引起对象模型参数的变化甚至模型结构的政变。这就要求在P I D 控制中。不仅PID参数的整定不依赖于对象数学模型，而PID参数能在线阐整，以满足实时控制的要求。 1 自适应控制的概念及分类 控制系统在设计和实现中普通存在着不确定性，主要表现在：①系统数学模型与实际系统间总是存在着差别，即所谓系统具有末建模的动态特性；②系统本身结构和参数是未知的或时变的；③作用在系统上的扰动往往是随机的，且不可量测；④系统运行中，控制对象的特性随时间或工作环境改变而变化，且变化规律往往难以事先知晓。 为了解决控制对象参数在大范围变化时，一般反馈控制、一般优控制和采用经典校正方法不能解决的控制问题。参照在日常生活中生物能够遏过自觉调整本身参数改变自己的习性，以适应新的环境特性。为此，提出自适应控制思想。 自适应控制的概念 所谓自适应控制是指对于控制对象的动态信息了解得不够充分对周围环境变化尚掌握不够明确的情况下控制系统对控制器的参数进行积极的自动调节。 自适应控制方法应该做到：在系统远行中，依靠不断采集控制过程信息，确定被控对象的当前实际工作状态，优化性能准则，产生自适应控制规律，从而实时地调整控制器结构或参数，使系统始终自动地工作在最优或次最优的运行状态下。 作为较完善的自适应控制应该具有以下三方面功能： (1)系统本身可以不断地检测和处理理信息，了解系统当前状态。 (2)进行性能准则优化，产生自适应校制规律。 (3)调整可调环节(控制器)，使整个系统始终自动运行在最优或次最优工作状态。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比较有如下突出特点： (1) 一般反馈控制主要适用于确定性对象或事先确知的对象，而自适应控制主要研究不确定对象或事先难以确知的对象。 (2) 一般反馈控制具有强烈抗干扰能力，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而能消除状态扰动引起的系统误差，而且还能消除系统结构扰动引起的系统误差。 (3) 一般反馈控制系统的设计必须事先掌握描述系统特性的数学模型及其环境变化状况，而自适应控制系统设计则很少依赖数学模型全部，仅需要较少的验前知识，但必须设计一套自适应算法，因而将更多地依靠计算机技术实现。 (4) 自适应控制是更复杂的反馈控制，它在一般反调控制的基础上增加了自适应控制机构或辨识器，还附加一个可调系统。 自适应控制系统的基本结构与分类 通常，自适应控制系统的基本结构有两种形式，即前馈自适应控制和反馈自适应控制。 1.2.1 前馈自适应控制结构 前馈自适应控制亦称开环自适应控制，它借助对作用于过程信号的测量。并通过自适应机构按照这些测量信号改变控制器的状态，从而达到改变系统特性的目的。没有“内”闭
基于自适应动态均匀分簇的WSN数据融合算法
第３９卷 第１１Ａ期２０１２年１１月计算机科学 Ｃｏｍｐ ｕｔｅｒ ＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．１１Ａ Ｎｏｖ ２０１２杨 婷（１９８１－），女，硕士，讲师，主要研究方向为计算机网络、程序设计，Ｅ－ｍａｉｌ：ｚｋｊ ｎｏ１＠１６３．ｃｏｍ。基于自适应动态均匀分簇的ＷＳＮ数据融合算法 杨 婷 （绍兴文理学院元培学院 绍兴３１２０００ ） 摘 要 针对ＬＥＡＣＨ算法无法进行数据融合以及簇首分布不均匀引起的局部网络能耗过多、失效过快等问题，提出一种基于自适应动态均匀分簇的数据融合算法ＡＤＵＣ。ＡＤＵＣ算法在簇结构生成阶段引入逻辑区域划分机制和簇首能量优选机制，保证了簇首分布的均匀性和网络的能量均衡性；在数据融合阶段使用自适应加权融合机制来减小冗余和误差，并减少报文数据的数量。仿真结果证明，ＡＤＵＣ算法可以在提高监测数据精度的同时减少网络中４３．１％的总体能耗。 关键词 数据融合，无线传感器网络，分簇，自适应，能耗中图法分类号 ＴＰ３９３ 文献标识码 Ａ Ａｄａｐｔｉｖｅ Ｄｙｎａｍｉｃ Ｕｎｉｆｏｒｍ Ｃｌｕｓｔｅｒｉｎｇ Ｄａｔａ Ａｇｇｒｅｇａｔｉｏｎ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｗｉｒｅｌｅｓｓ Ｓｅｎｓｏｒ ＮｅｔｗｏｒｋｓＹＡＮＧ Ｔｉｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｙｕａｎｐｅｉ，Ｓｈａｏｘｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｏｘｉｎｇ ３１２０００，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｕｎａｂｌｅ ｔｏ ｄｏ ｄａｔａ ａｇｇｒｅｇａｔｉｏｎ ｏｐｅｒａｔｉｏｎ ａｎｄ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｕｎｂａｌａｎｃｅｄ ｅｎｅｒ－ｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｃａｓｅｄ ｂｙ ｔｈｅ ｎｏｎｕｎｉｆｏｒｍ ｃｌｕｓｔｅｒｉｎｇ ｐｒｏｃｅｓｓ ｉｎ ｔｈｅ ＬＥＡＣＨ ｐｒｏｔｏｃｏｌ，ａｎ Ａｄａｐｔｉｖｅ Ｄｙｎａｍｉｃ ＵｎｉｆｏｒｍＣｌｕｓｔｅｒｉｎｇ（ＡＤＵＣ）ｄａｔａ ａｇｇｒｅｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ．Ｉｎ ｔｈｅ ｃｌｕｓｔｅｒ ｃｏｎｓｔｒｕｃｔ ｐｈａｓｅ ｏｆ ＡＤＵＣ，ｔｈｅ ｌｏｇｉｃ ａｒｅａ ｄｉ－ｖｉｄｅ ｍｅｃｈａｎｉｓｍ ａｎｄ ｔｈｅ ｃｌｕｓｔｅｒ ｈｅａｄ ｅｎｅｒｇｙ ｏｐｔｉｍｉｚｅ ｍｅｃｈａｎｉｓｍ ａｒｅ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｅｎｓｕｒｅ ｔｈｅ ｕｎｉｆｏｒｍｉｔｙ ｏｆ ｃｌｕｓｔｅｒ ｈｅａｄｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ ｔｈｅ ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｂａｌａｎｃｅ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ，ｉｎ ｔｈｅ ｄａｔａ ａｇｇｒｅｇａｔｉｏｎ ｐｈａｓｅ，ｔｈｅ ａｄａｐｔｉｖｅ ｗｅｉｇｈｔｅｄｍｅｃｈａｎｉｓｍ ｉｓ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｒｅｄｕｎｄａｎｃｙ ａｎｄ ｅｒｒｏｒｓ ｏｆ ｔｈｅ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａ ａｎｄ ｃｏｎｔｒｏｌ ｔｈｅ ａｍｏｕｎｔ ｏｆ ｃｏｍｍｕ－ｎｉｃａｔｉｏｎ ｐａｃｋｅｔｓ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｐｒｏｖｅ ｔｈａｔ ＡＤＵＣ ａｌｇｏｒｉｔｈｍ ｃａｎ ｎｏｔ ｏｎｌｙ ｉｍｐｒｏｖｅ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ｄａｔａｂｕｔ ａｌｓｏ ｒｅｄｕｃｅ ｍｏｒｅ ｔｈａｎ ４３．１％ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ．Ｋｅｙｗｏｒｄｓ Ｄａｔａ ａｇｇｒｅｇａｔｉｏｎ，Ｗｉｒｅｌｅｓｓ ｓｅｎｓｏｒ ｎｅｔｗｏｒｋｓ，Ｃｌｕｓｔｅｒｉｎｇ，Ａｄａｐｔｉｖｅ，Ｅｎｅｒｇｙ ｃｏｎｓｕｍｐｔｉｏｎ 无线传感器网络一般由一个与外部网络相连的基站节点 和一组带有计算能力和无线收发装置的传感器节点组成［ １］ 。分布在监测区域中的大量传感器节点可以自主地组成一个自组织网络，节点与节点之间、节点与基站之间以多跳形式进行通信。由于传感器节点通常由电池供电，而且数量巨大、难于回收， 能耗控制就成为关系到无线传感器应用前景的主要问题。数据融合技术就是对无线传感器网络进行能耗控制的核心技术之一。 数据融合是指在数据传输的过程中，对数据进行分布式的汇聚融合处理，去除冗余信息，组合成更有效、更简练、更精确的数据的过程。分簇算法是无线传感器网络调整拓扑结构、实现层次型路由的重要方式，优化的网络簇状拓扑结构可 以明显地降低网络的能耗。ＬＥＡＣＨ［２］ 路由协议是一种典型 的无线传感器网络分簇算法，研究证明ＬＥＡＣＨ协议可以节省网络中１５％的能量。但ＬＥＡＣＨ算法同时也具有簇分布不均匀、能量均衡度低、网络生存时间短、无法进行有效的数据融合操作等缺陷。本文在分析ＬＥＡＣＨ优缺点的基础上，提出一种全新的无线自组织网络自适应均匀分簇的数据融合算法ＡＤＵＣ（Ａｄａｐｔｉｖｅ Ｄｙｎａｍｉｃ Ｕｎｉｆｏｒｍ Ｃｌｕｓｔｅｒｉｎｇ ｄａｔａ ａｇ－ｇｒｅｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ）。ＡＤＵＣ算法使用动态自适应均匀分簇机制和自适应加权数据融合方法，在保证簇结构均匀分布、节点负载均衡、 网络生存期延长的前提下，可以高效、精确地进行数据融合操作，在明显节省网络能量的同时，提高了监测数据的精度。 １ 相关工作 １．１ ＬＥＡＣＨ算法 ＬＥＡＣＨ算法的基本思想是划分固定时间为监测周期，每个监测周期分为簇准备阶段和实时监测阶段，在每个监测周期开始时，首先进行等概率的簇首随机选择操作，将网络能耗平均分配到各个节点上，以达到延长网络生存期的目的。每个节点在簇准备阶段生成一个０到１之间的随机数，当随机数小于选择门限参数Ｔ（ｎ）时，该节点为簇首节点，否则该节点自动成为簇成员节点，并选择最近的簇首节点进行簇加入操作。选择门限参数Ｔ（ｎ）的取值动态地随监测周期数进行调整。当簇结构形成后，网络自动进入实时监测阶段，簇首节点将簇成员节点发送过来的数据进行融合后发送到基站节点。 · ３０１·
一种递归模糊神经网络自适应控制方法
一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙 炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘 要: 构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词: 递归模糊神经网络;自适应控制;交流伺服中图分类号: TP183 文献标识码: A 文章编号: 037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract : A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words : recurrent fuzzy neural network ;adaptive control ;AC servo 1 引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2 RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34 N o.12 Dec. 2006