《基於神經網路的非線性系統合作學習辨識與控制》是依託西安電子科技大學，由陳為勝擔任項目負責人的面上項目。
基本介紹
- 中文名：基於神經網路的非線性系統合作學習辨識與控制
- 項目類別：面上項目
- 項目負責人：陳為勝
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
本項目將人類合作學習的思想用於非線性不確定系統辨識與控制，研究基於一致性理論的不確定系統合作學習神經網路辨識與控制問題。.①針對多個同結構模型但不同輸入的不確定非線性動態系統，通過引入合作通信機理與網路拓撲結構，提出神經網路合作學習辨識算法；基於代數圖論和最最佳化理論，分析算法的收斂性。.②針對由多個同結構模型但不同控制任務的不確定非線性系統，設計基於合作通信機理和網路拓撲結構的神經網路權值自適應律和控制律，基於代數圖論和Lyapunov穩定性理論，分析控制系統穩定性。.③在以上研究的基礎上，進一步考慮合作通信網路中的時延，丟包，干擾等因素對學習控制性能的影響，將上述辨識和控制算法推廣到一般系統。.④將上述合作學習控制方法用於多機器人合作控制和多機械手的協同控制。
結題摘要
當今，隨著網路化時代的到來，人類已經進入了第四次工業革命，其重要標誌之一就是工業系統的控制方式由集中式到分散式轉變，由自動化到智慧型化轉變。然而工業控制系統中的各個環節很難獲得精確的模型，系統建模和辨識是控制系統的首要任務，如何利用網路互動信息的優勢，通過在系統間建立恰當的信息互動機制進行系統間的合作，借鑑人類合作學習的思想研究非線性不確定系統辨識與控制？這便是本項目要解決的關鍵科學問題，本項目圍繞這一問題，重點研究內容及對應的成果和相關數據如下。 首先，針對一類由n個具有一般線性參數化形式的非線性不確定系統組成的群體系統，通過在自適應律中引入合作通信機理與網路拓撲結構，借鑑多智慧型體系統的一致性協定設計方法，提出分散式合作自適應（DCA）系統辨識方法；研究結果顯示只要閉環系統的回歸矩陣滿足一類更一般的合作持續激勵條件，並且網路拓撲是無向連通的，那么系統自適應律將一致收斂到未知參數的真值。其次，針對兩類由n個具有代表性的二階不確定非線性系統組成的群體系統，採用神經網路逼近未建模動態，在神經網路權值自適應律中引入網路拓撲結構，提出了神經網路分散式合作學習（DCL）辨識算法；研究結果表明只要網路拓撲是無向連通的，那么神經網路模型將在所有系統參考信號並集上一致收斂到實際未建模動態附近。再次，針對網路拓撲結構的一致性問題，進一步研究了合作通信網路中的量化和最佳化問題，研究結果表明只要網路拓撲是連通的，所提出的量化一致性算法將收斂到與量化誤差成正比的一個原點的小領域內，所提出的一致性最佳化算法將收斂到全局目標函式的最優值。上述DCA思想進一步推廣到帶有未知控制方向的不確定系統。最後，所提出的算法用於機器人分散式編隊控制取得了很好的效果，從而驗證了算法的有效性。 本項目共發表論文26篇，其中SCI源期刊20篇，包括IEEE 彙刊4篇，《Automatica》 3篇，授權專利2項，待出版專著1部，培養博士研究生1名，碩士研究生8名，研究成果獲陝西省科學技術一等獎一項。研究成果目前已被SCI它引55 次。
