• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      在線優(yōu)化參數(shù)的多變量非線性預(yù)測函數(shù)控制

      2023-06-29 08:41:16侯小秋
      關(guān)鍵詞:控制算法向量變量

      侯小秋

      (黑龍江科技大學(xué) 電氣與控制工程學(xué)院, 哈爾濱 150022)

      0 引 言

      多變量非線性控制是一個廣泛的問題,周瑞敏等[1]給出了基于對角遞歸神經(jīng)網(wǎng)絡(luò)優(yōu)化的PID控制算法。耿睿等[2]提出一種非線性未建模動態(tài)與線性模型相組合的集成模型,采用BP神經(jīng)網(wǎng)絡(luò)辨識未建模動態(tài)項,設(shè)計了多變量非線性廣義預(yù)測控制。黃帥等[3]研究非線性多變量系統(tǒng)的多模型自適應(yīng)控制,控制方法由神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制器與線性自適應(yīng)控制器切換組成。姜雪瑩等[4]給出基于RBF神經(jīng)網(wǎng)絡(luò)的多變量非線性內(nèi)部迭代預(yù)測控制算法。文獻(xiàn)[1-4]為非線性多變量控制的最新研究,但不是關(guān)于實用隨機多變量NARMAX模型的控制研究。侯曉秋等[5]分析隨機NARMAX模型中隨機干擾量在模型中描述的形式難以確定的問題,將隨機干擾量從函數(shù)中分離出來,等效在模型的輸出端,基于濾波器提出實用隨機NARMAX模型。侯小秋[6]研究其可克服算法病態(tài)的非線性遞推最小二乘法,提出其在線修正參數(shù)的預(yù)測濾波PID控制算法。侯小秋[7]提出實用隨機多變量NARMAX模型,給出可克服算法病態(tài)的多變量非線性遞推最小二乘法進行參數(shù)估計,未研究其控制問題。筆者研究其在線優(yōu)化輸入輸出加權(quán)系數(shù)的多變量非線性預(yù)測函數(shù)控制算法。

      1 改進隨機多變量NARMAX模型

      1.1 實用隨機多變量NARMAX模型

      文獻(xiàn)[7]提出的實用隨機多變量NARMAX模型為

      y(t+d)=F[Y(t+d-1),Y(t),

      u(t),U(t-1),θ]+ω(t+d),

      (1)

      式中:y(t)——輸出向量;

      u(t)——輸入向量;

      d——時滯;

      θ——待估參數(shù)集合;

      ω(t)——隨機干擾向量;

      F(…)——向量函數(shù)。

      YT(t+d-1)=[y(t+d-1),

      y(t+d-2),…,y(t+1)],

      YT(t)=[y(t),

      y(t-1),…,y(t-ny)],

      UT(t-1)=[u(t-1),

      u(t-2),…,u(t-nu)]。

      干擾模型

      (2)

      C(q-1)=I+C1q-1+…+Cncq-nc,

      式中:e(t)——白噪聲向量;

      I——單位矩陣;

      C1(q-1)——矩陣多項式;

      A(q-1)——矩陣多項式;

      q-1——單位后移算子。

      1.2 參數(shù)估計

      1.3 時變多變量CARMAX模型的逼近

      將文獻(xiàn)[5]的四個假設(shè)條件和時變CARMAX模型逼近方法推廣到多變量情形。

      動態(tài)工作點為

      y0(t+d-2),…,y0(t+1)],

      u0(t)=[u10(t),u20(t),…,un0(t)],

      y0(t+d-1)=y0(t+d-2)=…=y0(t+1)=y0(t)。

      y0(t)和u0(t)可表示為

      y0(t)=(I-α)y0(t-1)+αy(t),

      u0(t)=(I-β)u0(t-1)+βu(t-1),

      式中:α=diag[α1,α2,…,αn],0≤αi≤1,i=1,2,…,n;β=diag[β1,β2,…,βn],0≤βi≤1。

      對式(1)在動態(tài)工作點處一階泰勒展開,采用動態(tài)切平面逼近

      y(t+d)=F[Y0(t+d-1),Y(t),u0(t),

      i)-y0(t+d-i)]+φu(t)[u(t)-

      u0(t)]+ω(t+d),

      整理得:A(q-1)y(t)=q-dφu(t)u(t)+

      D(t)+ω(t),

      (3)

      D(t)=F[Y0(t+d-1),Y(t),u0(t),U(t-1),θ]-

      (4)

      A(q-1)=I+A1q-1+…+A(d-1)q-(d-1),

      且Ai=φyi(t)。

      由式(4)可知,D(t)在t時刻已知,將式(2)代入式(3)得

      C(q-1)e(t),

      (5)

      2 遞推預(yù)測模型

      式(5)忽略噪聲項C(q-1)e(t),可得

      (6)

      由式(5)、(6)可得

      (7)

      由式(7)遞推可得:

      (8)

      (9)

      (10)

      (11)

      將式(9)~(11)代入式(8)得

      yf(t+d+j),

      (12)

      式中,yf(t+d+j)——自由響應(yīng)。

      由式(12)令j=0,1,…,p,整理矩陣形式為

      (13)

      UT(t)=[uT(t),uT(t+1),…,uT(t+p)],

      3 預(yù)測函數(shù)控制

      3.1 基函數(shù)的選取

      控制器算法為

      i=0,1,…,p;l=1,2,…,n,

      (14)

      式中:μl,k(t)——加權(quán)系數(shù);

      fl,k(i)——基函數(shù)在t+i時刻的值;

      Nl——基函數(shù)的維數(shù);

      n——系統(tǒng)維數(shù)。

      3.2 參考軌跡

      yr(t+i)=r(t+i)-γi[r(t)-yp(t)],

      式中:yr(t+i)——參考軌跡向量;

      r(t)——設(shè)定值向量;

      yp(t)——實際輸出向量;

      γ——衰減因子矩陣。

      yr,n(t+i)],

      rT(t)=[r1(t),r2(t),…,rn(t)],

      γ=diag[γ1,γ2,…,γn]。

      3.3 預(yù)測誤差校正

      預(yù)測誤差向量為

      i=0,1,…,p,

      校正的預(yù)測輸出向量

      j=d,d+1,…,d+p,

      式中,ym(t+j)——校正的預(yù)測輸出向量。

      矩陣形式為

      (15)

      3.4 預(yù)測函數(shù)控制算法

      將式(14)整理成矩陣形式為

      (16)

      式中:μT(t)=[μ1,1,μ1,2,…,μ1,N1,

      μ2,1,μ2,2,…,μ2,N2,…,

      μn,1,μn,2,…,μn,Nn],

      目標(biāo)函數(shù)為

      (17)

      式中:ρ(t)——輸出加權(quán)對角矩陣;

      λ(t)——輸入加權(quán)對角矩陣;

      ρ(t)=diag(ρ1,ρ2,…,ρn×(p+1)),

      λ(t)=diag(λ1,λ2,…,λw)。

      由式(15)(13)可得

      (18)

      式(18)的矩陣求逆使用文獻(xiàn)[7]的算法計算。

      4 梯度表達(dá)式

      輸入輸出加權(quán)對角矩陣ρ(t)和λ(t)影響系統(tǒng)穩(wěn)定性和魯棒性,文中對其在線優(yōu)化,控制算法可調(diào)參數(shù)向量為

      ηT=[ρ1,ρ2,…,ρn×(p+1),λ1,λ2,…,λw],

      式(18)對ρi求偏導(dǎo)

      (19)

      (20)

      將式(18)對λi求偏導(dǎo)得:

      (21)

      (22)

      將式(16)對ηi求偏導(dǎo)

      (23)

      式(13)對ηi求偏導(dǎo)

      (24)

      式(15)對ηi求偏導(dǎo)

      (25)

      5 在線優(yōu)化參數(shù)

      文獻(xiàn)[6]改進目標(biāo)函數(shù)為

      式中:μ——遺忘因子;

      τj——加權(quán)因子;

      λη(t)——權(quán)重對角矩陣;

      εj(i,η)=ym,j(i+d+p)-yr,j(i+d+p)。

      (26)

      文獻(xiàn)[6]給出輸入輸出加權(quán)系數(shù)的在線優(yōu)化算法,算法無需提供二階導(dǎo)數(shù)矩陣,算法簡單,計算量小,應(yīng)用表明其收斂快,穩(wěn)健性高。

      式(26)兩邊對η求偏導(dǎo)得

      6 仿真研究

      被控對象是關(guān)于輸出非線性,輸入線性的,其表達(dá)式為

      設(shè)定r1(t)=(-1)^r(nóng)ound(t/100),r2(t)=0.6(-1)^r(nóng)ound(t/100),

      基函數(shù)分別為階躍函數(shù)f1,1(i)=0.3×1(t),f2,1(i)=0.75×1(t)。 斜坡函數(shù)f1,2(i)=0.2(1+i),f2,2(i)=0.15(1+i)。

      加權(quán)系數(shù)初始值μ1,1(0)=0.9,μ1,2(0)=0.7,μ2,1(0)=0.7,μ2,2(0)=0.6。衰減因子γ1=0.1,γ2=0.1。

      算法優(yōu)化時非線性遞推最小二乘法采用P(-2)=10-6I,τ1=τ2=1,μ=0.98,預(yù)測時域長度p+1=2。

      采用Matlab7語言編制m文件程序進行仿真研究,仿真結(jié)果如圖1和2所示。

      圖1 響應(yīng)曲線Fig. 1 Response curve

      圖2 加權(quán)系數(shù)的優(yōu)化曲線Fig. 2 Optimization curve of weighting coefficient

      7 結(jié) 論

      (1)采用動態(tài)切平面逼近實用隨機多變量NARMAX模型,等效為時變多變量CARMAX模型,提出遞推預(yù)測模型,將非線性控制問題轉(zhuǎn)化為已知時變參數(shù)的線性控制問題。

      (2)提出在線優(yōu)化輸入輸出加權(quán)系數(shù)的實用隨機多變量NARMAX模型的預(yù)測函數(shù)控制,在線優(yōu)化調(diào)整系數(shù),優(yōu)于試湊法確定系數(shù)的算法。

      (4)因多變量雙線性系統(tǒng)和多變量Hammerstein模型及多變量Wiener模型等非線性性模型為隨機多變量NARMAX模型的特例,故均可采用文中的控制算法,避免了控制輸入向量尋優(yōu)的多變量非線性最優(yōu)化問題。

      猜你喜歡
      控制算法向量變量
      向量的分解
      抓住不變量解題
      聚焦“向量與三角”創(chuàng)新題
      也談分離變量
      基于ARM+FPGA的模塊化同步控制算法研究
      向量垂直在解析幾何中的應(yīng)用
      向量五種“變身” 玩轉(zhuǎn)圓錐曲線
      SL(3,3n)和SU(3,3n)的第一Cartan不變量
      一種優(yōu)化的基于ARM Cortex-M3電池組均衡控制算法應(yīng)用
      分離變量法:常見的通性通法
      耿马| 荣成市| 临泉县| 舒兰市| 饶平县| 昆山市| 获嘉县| 包头市| 咸宁市| 霞浦县| 怀柔区| 肇源县| 屏南县| 惠来县| 新安县| 林周县| 泸溪县| 托里县| 聂拉木县| 凤庆县| 弥渡县| 望谟县| 潜江市| 揭东县| 手游| 尼玛县| 惠州市| 衡阳市| 巴南区| 星子县| 斗六市| 蒲江县| 峡江县| 西宁市| 通许县| 霍林郭勒市| 江孜县| 浙江省| 仪陇县| 高阳县| 龙游县|