具有Hammerstein模型描述的非线性系统的基于混合神经网络的预测控制

具有Hammerstein模型描述的非线性系统的 基于混合神经网络的预测控制

针对随机广义Hammerstein模型,从实际对象的物理意义出发,分析了广义Hammerstein模型不能描述"对称非线性系统"的问题。在广义Hammerstein模型中加入控制输入的符号函数,提出一可描述"对称非线性系统"的随机广义Hammerstein模型,克服了广义Hammerstein模型要求其控制输入最高阶次为奇数的限制。在目标函数中加入控制输入的高次项和其符号函数,提出一超二次型目标函数。给出一自校正控制器算法,实用于开环不稳定且具有"非最小相位"的系统。仿真研究表明控制算法的有效性

提出了一种基于未知死区非线性参数化的新型非迭代辨识算法，用于在不对称死区输入的情况下控制Hammerstein系统。 采用分段线性函数的规范表示来描述死区函数，以便可以建立通用类型的参数模型来近似整个系统。 死区参数（阈值和斜率）和线性传递函数中的系数都可以使用设计的持续激励输入同时估算。 然后设计一种修改后的模型遵循控制方案，以使工厂输出以令人满意的性能跟踪所需的输出。 无需事先了解死区非线性度即可应用此方法。 数值仿真表明了该方案的有效性。