基于模型参考自适应的速度估计方法

剖析大数据分析方法论的几种理论模型

剖析大数据分析方法论的几种理论模型 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 作者：佚名来源：博易股份|2016-12-01 19:10 收藏 分享 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。 以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。 管理方面的理论模型： ?PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等?PEST：主要用于行业分析 ?PEST：政治(Political)、经济(Economic)、社会(Social)和技术(Technological) ?P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。?E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。?S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。

?T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。 大数据分析的应用案例：吉利收购沃尔沃 大数据分析应用案例 5W2H分析法 何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much) 网游用户的购买行为： 逻辑树：可用于业务问题专题分析

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。

模型预测控制

云南大学信息学院学生实验报告 课程名称：现代控制理论 实验题目：预测控制 小组成员：李博（12018000748） 金蒋彪（12018000747） 专业：2018级检测技术与自动化专业

1、实验目的 (3) 2、实验原理 (3) 2.1、预测控制特点 (3) 2.2、预测控制模型 (4) 2.3、在线滚动优化 (5) 2.4、反馈校正 (5) 2.5、预测控制分类 (6) 2.6、动态矩阵控制 (7) 3、MATLAB仿真实现 (9) 3.1、对比预测控制与PID控制效果 (9) 3.2、P的变化对控制效果的影响 (12) 3.3、M的变化对控制效果的影响 (13) 3.4、模型失配与未失配时的控制效果对比 (14) 4、总结 (15) 5、附录 (16) 5.1、预测控制与PID控制对比仿真代码 (16) 5.1.1、预测控制代码 (16) 5.1.2、PID控制代码 (17) 5.2、不同P值对比控制效果代码 (19) 5.3、不同M值对比控制效果代码 (20) 5.4、模型失配与未失配对比代码 (20)

1、实验目的 （1）、通过对预测控制原理的学习，掌握预测控制的知识点。 （2）、通过对动态矩阵控制（DMC）的MATLAB仿真，发现其对直接处理具有纯滞后、大惯性的对象，有良好的跟踪性和较强的鲁棒性，输入已 知的控制模型，通过对参数的选择，来获得较好的控制效果。 （3）、了解matlab编程。 2、实验原理 模型预测控制(Model Predictive Control，MPC)是20世纪70年代提出的一种计算机控制算法，最早应用于工业过程控制领域。预测控制的优点是对数学模型要求不高，能直接处理具有纯滞后的过程，具有良好的跟踪性能和较强的抗干扰能力，对模型误差具有较强的鲁棒性。因此，预测控制目前已在多个行业得以应用，如炼油、石化、造纸、冶金、汽车制造、航空和食品加工等，尤其是在复杂工业过程中得到了广泛的应用。在分类上，模型预测控制(MPC)属于先进过程控制，其基本出发点与传统PID控制不同。传统PID控制，是根据过程当前的和过去的输出测量值与设定值之间的偏差来确定当前的控制输入，以达到所要求的性能指标。而预测控制不但利用当前时刻的和过去时刻的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于PID控制。 2.1、预测控制特点 首先，对于复杂的工业对象。由于辨识其最小化模型要花费很大的代价，往往给基于传递函数或状态方程的控制算法带来困难，多变量高维度复杂系统难以建立精确的数学模型工业过程的结构、参数以及环境具有不确定性、时变性、非线性、强耦合，最优控制难以实现。而预测控制所需要的模型只强调其预测功能，不苛求其结构形式，从而为系统建模带来了方便。在许多场合下，只需测定对象的阶跃或脉冲响应，便可直接得到预测模型，而不必进一步导出其传递函数或状

MATLAB模型预测控制工具箱函数

M A T L A B模型预测控制 工具箱函数 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】

M A T L A B模型预测控制工具箱函数 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型； ⑤MPC传递函数模型。

在上述5种模型格式中，前两种模型格式是MATLAB通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC状态空间模型和MPC传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC状态空间模型之间的转换 MPC状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod()和mod2ss()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC状态空间模型函数ss2mod() 该函数的调用格式为 pmod= ss2mod(A,B,C,D) pmod= ss2mod(A,B,C,D,minfo) pmod= ss2mod(A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D为通用状态空间矩阵； minfo为构成MPC状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆minfo(1)=dt，系统采样周期，默认值为1； ◆minfo(2)=n，系统阶次，默认值为系统矩阵A的阶次； ◆minfo(3)=nu，受控输入的个数，默认值为系统输入的维数； ◆minfo(4)=nd，测量扰的数目，默认值为0； ◆minfo(5)=nw，未测量扰动的数目，默认值为0； ◆minfo(6)=nym，测量输出的数目，默认值系统输出的维数； ◆minfo(7)=nyu，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod为系统的MPC状态空间模型格式。 例8-5将如下以传递函数表示的系统模型转换为MPC状态空间模型。 解：MATLAB命令如下：

模型参考自适应控制

第九章 模型参考自适应控制（Model Reference Adaptive Control ）简称MRAC 介绍另一类比较成功的自适应控制系统，已有较完整的设计理论和丰富的应用成果（驾驶仪、航天、电传动、核反应堆等等）。 §9 —１MRAC 的基本概念 系统包含一个参考模型，模型动态表征了对系统动态性能的理想要求，MRAC 力求使被控系统的动态响应与模型的响应相一致。与STR 不同之处是MRAC 没有明显的辨识部分，而是通过与参考模型的比较，察觉被控对象特性的变化，具有跟踪迅速的突出优点。 设参考模型的方程为 式(9-1-1) 式(9-1-2) 被控系统的方程为 式(9-1-3) 式(9-1-4) 两者动态响应的比较结果称为广义误差,定义输出广义误差为 e = y m – y s 式(9-1-5)； X A X Br y CX m m m m m ? =+= X A B r y CX S S S S S ? =+=

状态广义误差为 ε = X m – X s 式(9-1-6)。 自适应控制的目标是使得某个与广义误差有关的自适应控制性能指标J 达到最小。J 可有不同的定义，例如单输出系统的 式 (9-1-7) 或多输出系统的 式(9-1-8) MRAC 的设计方法目的是得出自适应控制率，即沟通广义误差与被控系统可调参数间关系的算式。有两类设计方法：一类是“局部参数最优化设计方法”，目标是使得性能指标J 达到最优化；另一类是使得自适应控制系统能够确保稳定工作，称之为“稳定性理论的设计方法。 §9 —2 局部参数最优化的设计方法 一、利用梯度法的局部参数最优化的设计方法 这里要用到非线性规划最优化算法中的一种最简单的方法—— J e d t = ?20 ()ττ J e e d T t = ?()()τττ

模型预测控制快速求解算法

模型预测控制快速求解算法 模型预测控制（Model Predictive Control，MPC）是一种基于在线计算的控制优化算法，能够统一处理带约束的多参数优化控制问题。当被控对象结构和环境相对复杂时，模型预测控制需选择较大的预测时域和控制时域，因此大大增加了在线求解的计算时间，同时降低了控制效果。从现有的算法来看，模型预测控制通常只适用于采样时间较大、动态过程变化较慢的系统中。因此，研究快速模型预测控制算法具有一定的理论意义和应用价值。 虽然MPC方法为适应当今复杂的工业环境已经发展出各种智能预测控制方法，在工业领域中也得到了一定应用，但是算法的理论分析和实际应用之间仍然存在着一定差距，尤其在多输入多输出系统、非线性特性及参数时变的系统和结果不确定的系统中。预测控制方法发展至今，仍然存在一些问题，具体如下： ①模型难以建立。模型是预测控制方法的基础，因此建立的模型越精确，预测控制效果越好。尽管模型辨识技术已经在预测控制方法的建模过程中得以应用，但是仍无法建立非常精确的系统模型。 ②在线计算过程不够优化。预测控制方法的一大特征是在线优化，即根据系统当前状态、性能指标和约束条件进行在线计算得到当前状态的控制律。在在线优化过程中，当前的优化算法主要有线性规划、二次规划和非线性规划等。在线性系统中，预测控制的在线计算过程大多数采用二次规划方法进行求解，但若被控对象的输入输出个数较多或预测时域较大时，该优化方法的在线计算效率也会无法满足系统快速性需求。而在非线性系统中，在线优化过程通常采用序列二次优化算法，但该方法的在线计算成本相对较高且不能完全保证系统稳定，因此也需要不断改进。 ③误差问题。由于系统建模往往不够精确，且被控系统中往往存在各种干扰，预测控制方法的预测值和实际值之间一定会产生误差。虽然建模误差可以通过补偿进行校正，干扰误差可以通过反馈进行校正，但是当系统更复杂时，上述两种校正结合起来也无法将误差控制在一定范围内。 模型预测控制区别于其它算法的最大特征是处理多变量多约束线性系统的能力，但随着被控对象的输入输出个数的增多，预测控制方法为保证控制输出的精确性，往往会选取较大的预测步长和控制步长，但这样会大大增加在线优化过程的计算量，从而需要更多的计算时间。因此，预测控制方法只能适用于采样周

模型参考自适应控制—MIT法

一 原理及方法 模型参考自适应系统，是用理想模型代表过程期望的动态特征，可使被控系统的特征与理想模型相一致。一般模型参考自适应控制系统的结构如图1所示。 图1 一般的模型参考自适应控制系统 其工作原理为，当外界条件发生变化或出现干扰时，被控对象的特征也会产生相应的变化，通过检测出实际系统与理想模型之间的误差，由自适应机构对可调系统的参数进行调整，补偿外界环境或其他干扰对系统的影响，逐步使性能指标达到最小值。 基于这种结构的模型参考自适应控制有很多种方案，其中由麻省理工学院科研人员首先利用局部参数最优化方法设计出世界上第一个真正意义上的自适应控制律，简称为MIT 自适应控制，其结构如图2所示。 图2 MIT 控制结构图 系统中，理想模型Km 为常数，由期望动态特性所得，被控系统中的增益Kp 在外界环境发生变化或有其他干扰出现时可能会受到影响而产生变化，从而使其动态特征发生偏离。而Kp 的变化是不可测量的，但这种特性的变化会体现在广义误差e 上，为了消除或降低由于Kp 的变化造成的影响，在系统中增加一个可调增益Kc ，来补偿Kp 的变化，自适应机构的任务即是依据误差最小指标及时调整Kc ，使得Kc 与Kp 的乘积始终与理想的Km 一致，这里使用的优化方法为最优梯度法，自适应律为： ??+=t m d y e B Kc t Kc 0)0()(τ Yp Ym e +__ + R 参考模型 调节器被控对象 适应机构 可调系统 ———kmq(s) p(s) Kc Kp q(s)-----p(s)适应律 R ym yp e +-

MIT 方法的优点在于理论简单，实施方便，动态过程总偏差小，偏差消除的速率快，而且用模拟元件就可以实现；缺点是不能保证过程的稳定性，换言之，被控对象可能会发散。 二 对象及参考模型 该实验中我们使用的对象为： 1 22) ()()(2 ++= =s s s p s q K s G p p 参考模型为： 1 21) ()()(2 ++= =s s s p s q K s G m m 用局部参数最优化方法设计一个模型参考自适应系统，设可调增益的初值Kc(0)=0.2，给定值r(t)为单位阶跃信号，即r(t)=A ×1(t)。A 取1。 三 自适应过程 将对象及参考模型离散化，采样时间取0.1s ，进而可得对象及参考模型的差分方程分别为： )2(0044.0)1(0047.0)2(8187.0)1(8079.1)(-+-+---=k r k r k y k y k y m )2(0088.0)1(0094.0)2(8187.0)1(8097.1)(-+-+---=k u k u k y k y k y p p p 其中u 为经过可调增益控制器后的信号。编程进行仿真，经大量实验发现，取修正常数B 为0.3，可得较好的动态过度过程，如下图3所示：

MATLAB模型预测控制工具箱函数

MATLAB模型预测控制工具箱函数 8.2 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 8.2.1 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；

⑤ MPC 传递函数模型。 在上述5种模型格式中，前两种模型格式是MATLAB 通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC 状态空间模型和MPC 传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC 状态空间模型之间的转换 MPC 状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod ()和mod2ss ()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC 状态空间模型函数ss2mod () 该函数的调用格式为 pmod= ss2mod (A,B,C,D) pmod = ss2mod (A,B,C,D,minfo) pmod = ss2mod (A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D 为通用状态空间矩阵； minfo 为构成MPC 状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆ minfo(1)=dt ，系统采样周期，默认值为1； ◆ minfo(2)=n ，系统阶次，默认值为系统矩阵A 的阶次； ◆ minfo(3)=nu ，受控输入的个数，默认值为系统输入的维数； ◆ minfo(4)=nd ，测量扰的数目，默认值为0； ◆ minfo(5)=nw ，未测量扰动的数目，默认值为0； ◆ minfo(6)=nym ，测量输出的数目，默认值系统输出的维数； ◆ minfo(7)=nyu ，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o ，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod 为系统的MPC 状态空间模型格式。 例8-5 将如下以传递函数表示的系统模型转换为MPC 状态空间模型。 1 2213)(232+++++=s s s s s s G 解：MATLAB 命令如下：

模型参考自适应控制—MIT法

一原理及方法 模型参考自适应系统，是用理想模型代表过程期望的动态特征，可使被控系统的特征与 理想模型相一致。一般模型参考自适应控制系统的结构如图 1所示。 其工作原理为，当外界条件发生变化或出现干扰时，被控对象的特征也会产生相应的变 化，通过检测出实际系统与理想模型之间的误差， 由自适应机构对可调系统的参数进行调整， 补偿外界环境或其他干扰对系统的影响，逐步使性能指标达到最小值。 基于这种结构的模型参考自适应控制有很多种方案，其中由麻省理工学院科研人员首先 利用局部参数最优化方法设计出世界上第一个真正意义上的自适应控制律， 简称为MIT 自适 应控制，其结构如图2所示。 图2 MIT 控制结构图 系统中，理想模型Km 为常数，由期望动态特性所得，被控系统中的增益 Kp 在外界环 境发生变化或有其他干扰出现时可能会受到影响而产生变化，从而使其动态特征发生偏离。 而Kp 的变化是不可测量的，但这种特性的变化会体现在广义误差 e 上，为了消除或降低由 于Kp 的变化造成的影响，在系统中增加一个可调增益 Kc ,来补偿Kp 的变化，自适应机构 的任务即是依据误差最小指标及时调整 Kc ,使得Kc 与Kp 的乘积始终与理想的Km 一致， 这里使用的优化方法为最优梯度法，自适应律为： t Kc(t) Kc(0) B o e y m d MIT 方法的优点在于理论简单，实施方便，动态过程总偏差小，偏差消除的速率快，而 且用模拟元件就可以实现；缺点是不能保证过程的稳定性，换言之，被控对象可能会发散 Ym R 图1 一般的模型参考自适应控制系统

对象及参考模型 该实验中我们使用的对象为： G p(s) K p q(S) P(s) 2 s22s 1 参考模型为： G m(s)K q(s) K m p(s) 1 s22s 1 用局部参数最优化方法设计一个模型参考自适应系统，设可调增益的初值Kc(0)=0.2 ,给定值r(t)为单位阶跃信号，即r(t)=A x 1(t)。A取1。 三自适应过程 将对象及参考模型离散化，采样时间取0.1s,进而可得对象及参考模型的差分方程分别为：y m(k) 1.8079 y (k 1) 0.8187y(k 2) 0.0047r(k 1) 0.0044r(k 2) y p(k) 1.8097y p(k 1) 0.8187y p(k 2) 0.0094u(k 1) 0.0088u(k 2) 其中u为经过可调增益控制器后的信号。编程进行仿真，经大量实验发现，取修正常数B为0.3，可得较好的动态过度过程，如下图3所示： input and output change af Kc change of error2 14 r 1讨1.3r- 1.2 - km 0.2r □ 18 1.2 -丨沖卜 11.1 -- □ IE 1 1 - d- a u - \1□ 12 -一 □ 8 ?■□ 9 - 0.1■ 0.6 -■0.8 -- □.oe- 07 - 0.4 -1 -□ 06- 06 --a 04■ 0.2- 1 05 -102? A - oL 0.4 ■-0 - 0 50 □50 0 50 time/seco nd tiirie/second time/so CDrd 图3仿真结果 由图3中第一个图形可以看出，在阶跃扰动后，经过一段时间对象的输出完全跟踪上了 理想模型的值，系统最终趋于稳定；由第二个图可以看出，当系统稳定后，Kp*Kc等于Km，

神经网络模型预测控制器

神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制

基于RBFNN的直接模型参考自适应控制

自动化专业综合设计报告 设计题目： 基于RBFNN的直接模型参考自适应控制所在实验室：matlab仿真实验室 指导教师：杜 学生姓名 班级文自112-2 学号201190 成绩评定：

仿真截图

三角输入 clear all; close all; u_1=0; y_1=0; ym_1=0; x=[0,0,0]'; c=[-3 -2 -1 1 2 3; -3 -2 -1 1 2 3; -3 -2 -1 1 2 3]; b=2*ones(6,1); w=[ 0.8283 0.3887 -0.8872 -0.3668 0.8233 0.8274]; xite=0.45; alfa=0.05; h=[0,0,0,0,0,0]'; c_1=c;c_2=c; b_1=b;b_2=b; w_1=w;w_2=w; ts=0.001; for k=1:1:4000 time(k)=k*ts; r(k)=0.2*sawtooth(2*pi*k*ts,0.5); ym(k)=0.6*ym_1+r(k); y(k)=(-0.1*y_1+u_1)/(1+y_1^2); %Nonlinear plant for j=1:1:6 h(j)=exp(-norm(x-c(:,j))^2/(2*b(j)*b(j))); end u(k)=w'*h; ec(k)=ym(k)-y(k); dyu(k)=sign((y(k)-y_1)/(u(k)-u_1)); d_w=0*w; for j=1:1:6 d_w(j)=xite*ec(k)*h(j)*dyu(k); end w=w_1+d_w+alfa*(w_1-w_2); d_b=0*b; for j=1:1:6 d_b(j)=xite*ec(k)*w(j)*h(j)*(b(j)^-3)*norm(x-c(:,j))^2*dyu(k); end

自适应作业2--模型参考自适应系统的设计

自适应控制 作业二：模型参考自适应系统(MRAS) 姓名： 学号： Tasks a) Under what circumstances does the model have the property of perfect following? 原系统： y ay bu ? =-+ 参考模型： y a y b u m m m m c ? =-+ 控制信号为：12 u y c θθ-u= 我们总是希望原系统的输出y 能跟参考模型的输出y m 一致，即希望y 与y m 有如下关系式： y y m y y m ?? =???= ?? 那么，将12 u y c θθ-u=代入到y ay bu ? =-+中，再让y y m ? ? =可得： () )1221 y ay bu ay b u y a b y b u c c θθθθ? =-+=-+-=-++（ a y b u y m m m c ? =-+= 若要上式成立，只需要令 /11()/2 2b b b b m m a b a a a b m m θθθθ==??????? +==-???? 所以当选择/1()/2 b b m a a b m θθ=???=-??时，参考模型和原系统的输入输出关系是完全一样的。 b) Design an adaption law using MIT rule so that the error between plant output and model output goes to zero. Draw a block diagram of such MRAS design scheme. Tracking error ： e y y m =- Choose cost function : 2 1()()2J e θθ= Update rule : d J e e dt θδδγγδθδθ =-=- 对于此系统：)21 y a y b u m m m m c y a b y b u c θθ? ??=-+???=-++?（ 可见θ仅与y 有关，与y m 无关。

第八章模型参考自适应控制(ModelReferenceAdaptiveControl)简称MRAC

第九章模型参考自适应控制(Model Reference Adaptive Control )简称MRAC 介绍另一类比较成功的自适应控制系统，已有较完整的设计理论和丰富的应用成果(驾驶仪、航天、电传动、核反应堆等等) 。 § 9—1 MRAC的基本概念 系统包含一个参考模型，模型动态表征了对系统动态性能的理 想要求，MRAC力求使被控系统的动态响应与模型的响应相一致。 与STR不同之处是MRAC没有明显的辨识部分，而是通过与参考模 型的比较，察觉被控对象特性的变化，具有跟踪迅速的突出优点。设参考模型的方程为 * X m~ A m X m Br式(9-1-1) y m = CX m 式(9-1-2) 被控系统的方程为 ■ X s A s B s r式(9-1-3) y s - CX s 式(9-1-4) 两者动态响应的比较结果称为广义误差，定义输出广义误差为 e = y m -y s 式(9-1-5)； 状态广义误差为

:=X m — s 式(9-1-6)。 自适应控制的目标是使得某个与广义误差有关的自适应控制性能指标J达到最小。J可有不同的定义，例如单输出系统的 J —；e2( )d 式(9-1-7) 或多输出系统的 t T J 二e T( )e( )d 式(9-1-8) MRAC的设计方法目的是得出自适应控制率，即沟通广义误差与被控系统可调参数间关系的算式。有两类设计方法：一类是“局部参数最优化设计方法”，目标是使得性能指标J达到最优化；另一类是使得自适应控制系统能够确保稳定工作，称之为“稳定性理论的设计方法。 § 9 —2局部参数最优化的设计方法 一、利用梯度法的局部参数最优化的设计方法 这里要用到非线性规划最优化算法中的一种最简单的方法梯度法(Gradient Method )。 1. 梯度法

模型参考自适应控制

模型参考自适应控制 Document serial number【LGGKGB-LGG98YT-LGGT8CB-LGUT-

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）。 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所示： 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。