跳到主要內容

臺灣博碩士論文加值系統

(3.233.217.106) 您好!臺灣時間:2022/08/14 15:11
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:范姜光劭
論文名稱:類神經網路應用於系統判別及適應控制之研究
論文名稱(外文):A Study of Neural Network Application to System Identification and Adaptive Control
指導教授:莊季高
學位類別:碩士
校院名稱:國立海洋大學
系所名稱:機械與輪機工程學系
學門:工程學門
學類:機械工程學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:92
中文關鍵詞:系統鑑別類神經控制適應控制
外文關鍵詞:System IdentificationNeural ControlAdaptive Control
相關次數:
  • 被引用被引用:1
  • 點閱點閱:247
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:1
近年來倒傳遞演算法(Back-Propagation Algorithm:BP) 已是標準的演算法則,它利用梯度陡降法(Gradient Descent Method)推導出每次權重的更新量公式(Delta Rules)以搜尋最佳的權重值;然而BP演算法在使用上仍然有其限制,例如對雜訊的靈敏度較高、容易陷入局部最佳解、收斂速度緩慢……等等缺失。直到遞回式最小平方估測方法(Recursive Least Square Estimation Method:RLS)的觀念應用在類神經網路的系統鑑別和控制中,才使得參數的收斂速度和精確度更為提升;這主要是由於RLS對於每個參數都有著時變的增益,而不似BP只有單一個固定或時變的學習增益值。儘管如此,RLS也有其先天上的缺陷,如P矩陣(Covariance Matrix)中有關逆矩陣計算所造成的不穩定性;另一個陷點則是RLS在參數收斂速度和精確度上雖然具有良好的效果,但是在資料尚未充足的初始時期,其參數估測則為最差。
本文提出簡單改善線性控制和非線性控制的方法。在線性控制部分:當RLS資料尚未充足之前,以參考輸入訊號為系統的激發訊號,並利用取得的輸入輸出資料離線訓練類神經網路,使不好的初始參數迅速獲得調整,再即時的控制系統。在非線性控制方面:利用疊代近似最小平方法為系統的估測模組,以梯度陡降法最佳化控制訊號的方式來控制非線性系統,對非線性非極小相位系統提出有效降低震盪、加速上升、下降速度的自調式機制、和避免疊代近似最小平方法發生系統響應停滯不前的方式,最後再以類似switch的控制模式改善疊代近似最小平方法本身的缺點。除此之外,文中也簡單的介紹倒傳遞演算法則、U-D RPE、結合類似卡曼濾波器遞回式最小平方及倒傳遞演算的複合式即時演算法,並提供三個非線性系統對其進行即時的系統鑑定。

The Back-Propogation Algorithm (BP) searches for the optimum solution using the gradient descent method and has been the standard method in neural networks in recent years. Although successfully used in many cases, the BP algorithm suffers from the inherent limitations of gradient search technigues, namely, a slow rate of convergence, noise sensitivity and the inability to distinguish between local and global minimal points. The parameter estimation convergence rate and learning accuracy were improved much until the recursive least square method (RLS) was applied to neural network modeling and control. This is because the BP has only one fixed or time-varying learning gain for neural networks. However, the RLS has a time-varying gain matrix to speed up the rate of convergence. However, the RLS method may suffer from numerical instability and poor estimation during the initial stages.
This paper proposes modified methods to improve linear and nonlinear control. In linear control we excite system with a reference signal and train the neural model off-line by obtaining system input-output data to adjust the poor estimation parameters quickly in the initial stages. Control is then established on-line. In nonlinear control we employ a sequential LSM method to identify the system parameters and establish control by correcting the predicted neural network output and use the optimization and network identifier idea. In a nonlinear non-minimum-phase system, we propose a heuristic method to reduce the overshoot and avoid response stop. Finally, we employ a switch method to improve the sequential LSM method. This paper introduces the BP algorithm, U-D RPE and a hybrid method based on a combination of the Kalman-filter-like RLS and BP, and gives three simulation and comparison examples to compare the different methods.

摘要(中文) i
摘要(英文) ii
誌謝 iii
目錄 iv
目錄圖 vii
第一章 緒論 1
1.1 研究動機 1
1.2 文獻回顧 2
1.3 論文貢獻 3
1.4 論文大綱 3
第二章 非線性即時系統鑑定 4
2.1 倒傳遞演算法 4
2.2 U-D RPE 演算法 6
2.2.1 RPE 演算法 7
2.2.2 自調適的時變遺忘因子 8
2.2.3 Bierman’s UD 因式分解演算法 9
2.3 複合式演算法 11
2.3.1 Kalman-Filter-Like Recursive Least
Square Method 12
2.4 疊代近似最小平方數值解法 14
2.4.1 疊代近似最小平方的演算法 15
2.5 範例 16
2.5.1 範例一 16
2.5.2 範例二 23
2.5.3 範例三 32
第三章 線性控制 38
3.1 間接自調式控制器 38
3.1.1 追隨模組控制器 39
3.1.2 最小階數極點配置法 40
3.1.3 遞回式最小平方法 41
3.1.4 間接自調式控制器設計法 42
3.2 類神經網路間接適應控制 43
3.3 範例 47
3.1 間接自調式適應控制 47
3.3.2 類神經所架構的間接適應控制 54 3.3.3 模擬分析 57
3.4 改良式控制 58
第四章 非線性控制 63
4.1 類神經網路控制器 63
4.2 範例 65
4.2.1 範例一 65
4.2.2 範例二 70
4.2.3 範例三 74
4.3 改良式自調控制器 78
4.4 Switch模式控制器 83
第五章 結論與展望 86
5.1 結論 86
5.2 未來展望 88
參考文獻 90
圖目錄
圖2.1 三層前饋式類神經網路架構圖 4
圖2.2 多層類神經網路基本信號流程方向 5
圖2.3 Nolinear AutoRegressive Moving Average model的網路架構圖 12
圖2.4 複合式演算法程式流程圖 14
圖2.5 發電機模組的輸入激發信號 17
圖2.6 發電機模組和類神經網路(BP)的輸出 17
圖2.7 發電機模組和類神經網路(BP)的輸出誤差 18
圖2.8 發電機模組和類神經網路(RPE)的輸出 18
圖2.9 發電機模組和類神經網路(RPE)的輸出誤差 19
圖2.10 發電機模組和類神經網路(U-D RPE)的輸出 19
圖2.11 發電機模組和類神經網路(U-D RPE)的輸出誤差 20
圖2.12 發電機模組和類神經網路(複合式演算法)的輸出 20
圖2.13 發電機模組和類神經網路(複合式演算法)的輸出誤差 21
圖2.14 類神經網路輸出層的權重變化 21
圖2.15 發電機模組和類神經網路(疊代近似最小平方法)的輸出 22
圖2.16 發電模組和類神經網路(疊代近似最小平方法)的輸出誤差 22
圖2.17 非極小相位系統輸入激發訊號 24
圖2.18 非極小相位系統和類神經網路(BP)的部分輸出 24
圖2.19 非極小相位系統和類神經網路(BP)的輸出誤差 25
圖2.20 非極小相位系統和類神經網路(RPE)的部分輸出 25
圖2.21 非極小相位系統和類神經網路(RPE)的輸出誤差 26
圖2.22 非極小相位系統和類神經網路(U-D RPE)的部分輸出 26
圖2.23 非極小相位系統和類神經網路(U-D RPE)的輸出誤差 27
圖2.24 非極小相位系統和類神經網路(複合式演算法、 =0.1)的部分輸出 27
圖2.25 非極小相位系統和類神經網路(複合式演算法、 =0.1)的輸出誤差 28
圖2.26 類神經網路輸出層的權重變化( =0.1) 28
圖2.27 非極小相位系統和類神經網路(複合式演算法、 =0.75)的部分輸出 29
圖2.28 非極小相位系統和類神經網路(複合式演算法、 =0.75)的輸出誤差 29
圖2.29 類神經網路輸出層的權重變化( =0.75) 30
圖2.30 非極小相位系統和類神經網路(疊代近似最小平方法)的輸出 30
圖2.31 非極小相位系統和類神經網路(疊代近似最小平方法)的輸出誤差 31
圖2.32 非線性系統輸入激發訊號 32
圖2.33 非線性系統和類神經網路(BP)的部分輸出 33
圖2.34 非線性系統和類神經網路(BP)的輸出誤差 33
圖2.35 非線性系統和類神經網路(U-D RPE)的部分輸出 34
圖2.36 非線性系統和類神經網路(U-D RPE)的輸出誤差 34
圖2.37 非線性系統和類神經網路(複合式演算)的部分輸出 35
圖2.38 非線性系統和類神經網路(複合式演算)的輸出誤差 35
圖2.39 非線性系統和類神經網路(疊代近似最小平方法)的輸出 36
圖2.40 輸出部分放大 36
圖2.41 非線性系統和類神經網路(疊代近似最小平方法)的輸出誤差 37
圖3.1 間接自調式控制流程圖 43
圖3.2 兩個類神經網路所組成的間接適應控制架構圖 44
圖3.3 類神經網路估測器模組 45
圖3.4 類神經控制器 46
圖3.5 消除所有零點控制器的系統輸出響應 49
圖3.6 控制器的輸出變化 49
圖3.7 控制訊號放大圖 50
圖3.8 系統估測參數的變化圖 50
圖3.9 保留系統所有零點的系統輸出響應 52
圖3.10 控制器的輸出變化 53
圖3.11 系統估測參數的變化圖 53
圖3.12 類神經適應控制系統的輸出響應 55
圖3.13 控制訊號的變化過程 55
圖3.14 控制訊號放大圖 55
圖3.15 控制器加入PD項的系統輸出 56
圖3.16 加入PD項的控制輸出訊號 56
圖3.17 加入PD項的控制器訊號輸出放大圖 56
圖3.18 經過改良方式的系統輸出響應 58
圖3.19 經改良方式的控制器輸出 58
圖3.20 改良保留系統零點控制器之系統響應 59
圖3.21 改良保留系統零點的控制器輸出 59
圖3.22 改良不含PD項的類神經間接適應控制器之系統輸出響應 60
圖3.23 改良不加PD項的類神經間接適應控制器之輸出情形 60
圖3.24 改良加入PD項的類神經間接適應控制之系統輸出(PD Gain=0.7) 61
圖3.25 改良後控制器的輸出情形 62
圖4.1 類神經網路控制器 64
圖4.2 良好初始參數的系統輸出響應(RPE) 66
圖4.3 控制器訊號的輸出變化(RPE) 66
圖4.4 真實系統和網路預測輸出的誤差(RPE) 67
圖4.5 理想輸出和真實系統輸出的誤差(RPE) 67
圖4.6 系統輸出響應(疊代近似最小平方法) 68
圖4.7 控制器的輸出變化(疊代近似最小平方法) 68
圖4.8 真實系統和網路預測輸出的誤差(疊代近似最小平方法) 69
圖4.9 理想輸出和真實系統輸出的誤差(疊代近似最小平方法) 69
圖4.10 良好初始參數值的系統輸出響應(RPE) 70
圖4.11 控制器輸出訊號的變化(RPE) 71
圖4.12 真實系統和網路預測輸出的誤差(RPE) 71
圖4.13 理想輸出和真實系統輸出的誤差(RPE) 72
圖4.14 系統的輸出響應(疊代近似最小平方法) 72
圖4.15 控制器的輸出變化(疊代近似最小平方法) 73
圖4.16 真實系統和網路預測輸出的誤差(疊代近似最小平方法) 73
圖4.17 理想輸出和真實系統輸出的誤差 74
圖4.18 系統輸出響應(RPE) 75
圖4.19 控制器訊號的輸出變化(RPE) 75
圖4.20 真實系統和網路預測輸出的誤差(RPE) 76
圖4.21 理想輸出和真實系統輸出的誤差(RPE) 76
圖4.22 系統的輸出響應(疊代近似最小平方法) 77
圖4.23 控制訊號的變化(疊代近似最小平方法) 77
圖4.24 真實系統和網路預測輸出的誤差(疊代近似最小平方法) 78
圖4.25 理想輸出和真實系統輸出的誤差(疊代近似最小平方法) 78
圖4.26 學習率參數 =0.008時的系統輸出 80
圖4.27 學習率參數 =0.008、momentum=0.3時的系統輸出 80
圖4.28 學習率參數 =0.08時的系統輸出 81
圖4.29 學習率參數 =0.08、momentum=0.3時的系統輸出 81
圖4.30 學習率參數 =0.08、gain1=1、gain2=30時的系統輸出 81
圖4.31 理想輸出和真實系統輸出誤差的部分放大圖(lr=0.08) 82
圖4.32 理想輸出和真實系統輸出誤差的部分放大圖(lr=0.08、gain1=1、gain2=30) 82
圖4.33 Switch模式的系統輸出響應 84
圖4.34 Switch模式控制器輸出訊號的變化 84
圖4.35 Switch模式真實系統輸出和網路預測輸出的誤差 85
圖4.36 Switch模式的理想輸出和真實系統輸出的誤差 85

參考文獻
[1] K. Hornik, M. Stinchcombe, and H. White, ”Universal approximation of an unknow mapping and its derivatives using multiplayer feedforward networks,” Neural Networks, vol . 3, pp. 551-560, 1990.
[2] S. Haykin, Neural Networks : A Comprehensive Foundation, Prentice-Hall, 1999.
[3] D. Plaut, S. Nowlaw, and D. Hinton, “Experiments on learning by backpropagation,” Technical Report CMU-CS-86-126, Department of Computer Science, Carnegie Mellon University, Pittsburgh, PA, 1986.
[4] N. Kandil, K. Khorasani, R.V. Patel, and V.K. Sood, “Optimum Learning Rate For Backprogation Neural Networks,” Electrical and Computer Engineering, Canadian, vol. 1, pp. 465 — 468 ,1993.
[5] D. Xiaosong , D. Popovic, and G. Schulz-Ekloff, ”The Backpropagation Neural Network Being Capable Of Real-Time Identification,” Proceedings of the 4th IEEE Conference on Control Applications, pp. 572-577, 1995.
[6] J. Tanomaru and S. Omatu, ”Process Control by On-Line Trained Neural Controllers,” IEEE Transactions on Industrial Electronics, vol. 39, no. 6, pp. 511-52, Dec. 1992.
[7] T. L. Ruchti, R. H. Brown, and J. J. Garside, ”Estimation Of Artificial Neural Network Parameters For Nonlinear System Identification,” Proceedings of the 31st Conference on Decision and Control ,Tucson, Arizona, pp. 2728-2733, Dec.1992.
[8] T. L. Ruchti, R. H. Brown, and J. J. Garside, ”Kalman Based Artificial Neural Network Training Algorithms For Nonlinear System Identification,” Proceedings of the 1993 Intelligent Symposium on Intelligent Control, Chicago, pp. 582-587 ,August 1993.
[9] J. J. Helferty and S. Biswas , ”Neuromorphic Control As A Self-Tuning Regulator,” Proceedings of the 5th IEEE International Symposium on Intelligent Control,vol. 1,
pp. 506-511 ,1990.
[10] D. Lamy, M. Decotte, and P. Borne, ”Neural Identification of Linear Systems,” Proceedings of the IEEE International Conference on Systems, Man and Cybernetics,vo1. 1,
pp. 559-565 , 1992.
[11] Y. Zhang and X.R. Li, ”A Fast and Robust Recursive Prediction Error Learning Algorithm for Feedforward Neural Networks,” Proceedings of the 35th Conference on Decision and Control, Kobe, Japan, pp. 2036-2041, December 1996.
[12] Y. Zhang and X. R. Li, ”A Fast U-D Factorization-Based Learning Algorithm with Applications to Nonlinear System Modeling and Identification,” IEEE Transactions on Neural Networks, vol. 10, no. 4, pp. 930-938, july 1999.
[13] F.N. Chowdhury, ”A Novel Method For On-Line Training Of Dynamic Neural Networks,” Proceedings of the IEEE international Conference on Control Applications pp. 161-166, 2001.
[14] J.-S. R. Jang, “ANFIS:Adaptive-Network-Based Fuzzy Inference System,” IEEE Transactions, Man, And Cybernetics, vol. 23, no. 3, pp. 665-685, May/June 1993.
[15] K. J. and B. Wittenmark, Adaptive Control, Addison-Wesley Publishing Company, 1995.
[16] V. Etxebarri, ”Adaptive Control of Discrete System Using Neural Networks,” IEE Proc.-Control Theory Appl., vol. 141, no. 4, pp. 209-214, July 1994.
[17] V. Etxebarri, “Adaptive Control of Discrete Ssytems Using Neural Networks” IEE Proc.-Control Theory Appl., vol. 142, no. 5, pp. 526-528, September 1995.
[18] G. Zeng, B.D. Sun, and H.B. Liang, ”A Robust Adaptive Controller Based on Neural Network,” Proceedings of the World Congress on Intelligent Control and Automation, Hefei, P.R. China, pp. 953-956, June 28-July 2, 2000.
[19] K.S. Narenara and K. Parthasarathy, “Identification and Cointrol of Dynamical Systems Using Neural Networks,” IEEE Transactions on Neural Networks, vol. 1, no. 1,
pp. 4-27, March 1990.
[20] A. Ghirnikar and S.T. Alexander, ”Stable Recursive Least Squares Filtering Using an Inverse QR Decomposition,” ICASSP-90, pp.1623-1626, 1990.
[21] M.G. Siqueira and P.S.R. Diniz, ” Finite precision analysis of the conventional QR decomposition RLS algorithm,” Proceedings of the 37th Midwest Symposium on Circuits and Systems, vol. 2 , pp. 990 —993, 1994.
[22] Y. Zhang, Q. Li, G. Dai, and H. Zhang, ” A new recursive least-squares identification algorithm based on singular value decomposition,” Proceedings of the 33rd IEEE Conference on Decision and Control, vol.2, pp. 1733 —1734 ,1994.
[23] M. Moonen, ”A systolic array for recursive least squares computations: mapping directionally weighted RLS on an SVD updating array,” IEEE Transactions on Signal Processing, vol. 44, no. 8, pp. 2117 —2121,1996.
[24] G. J. Bierman, Factorization Methods for Discrete Sequential Estimation, Academic Press, New York, 1977.
[25] F. Wang, M. Li, and Y. Yang, ”Neural Network Pole Placement Controller Systems Through Linearisation,“ Proceedings of the American Control Conference Albuquerque, New Mexico, pp. 1984-1988, June 1997.
[26] Q. Shen, J. Wang, and C. Li ,”A Minimum Variance Predictive Controller for Nonlinear Systems ,“ IEEE Internation Conference on Intelligent Proccssing Systems, vol.1,
pp. 741 —744, 1997.
[28] J.-H. Horng, ” Adaptive-neural control of a class of unknown nonlinear discrete-time systems,” Proceedings of the 37th SICE Annual Conference, pp. 1067 —1070, 1998.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top