复杂干扰下非线性系统的补偿控制研究

项目采用信息理论学习和神经网络等方法研究高斯和非高斯干扰下非线性系统的控制问题。研究内容包括: 提出了基于信息理论学习的神经网络模型，利用Parzen窗估计方法计算误差二阶Renyi熵,并将其和均方误差的组合作为性能指标训练神经网络；针对控制系统中存在有摩擦、死区等分段连续的非线性特性，提出了基于信息理论学习的神经网络补偿方法，网络激励函数是由平滑函数和跳变函数组合而成，同时研究了基于扰动观测器的神经网络补偿控制；针对外界可量测的强干扰，基于主动干扰抑制思想，提出主动抗扰控制来抵消外界干扰对控制系统的影响，控制器参数由误差二阶Renyi熵和均方误差构成的综合性能指标来调节；并将理论研究成果应用到复杂扰动下的坦克目标跟踪控制系统中。本项目研究为高斯和非高斯干扰下非线性系统辨识及控制提供一种新方法，对提高复杂干扰下非线性系统的控制性能具有重要指导意义，也为解决非高斯问题的研究提供一种新思路。

项目研究了复杂干扰下非线性系统的辨识和补偿控制问题。主要研究内容有：(1) 复杂噪声下的神经网路主动抗干扰控制。提出了基于信息理论学习的神经网络模型，利用Parzen 窗估计方法计算误差二阶Renyi 熵,并将其和均方误差的组合作为综合性能指标训练神经网络。给出了基于信息理论学习的神经网络主动噪声控制；针对非高斯噪声干扰下的非线性系统，利用主动干扰抑制思想设计了基于信息理论学习的神经网络主动抗干扰控制。(2) 包含非光滑输入的动态系统辨识及补偿控制。针对含输入死区、摩擦和间隙等特性的非线性系统，提出了基于分段线性参数化表达式的辨识模型，实现了包含死区阈值和斜率、摩擦Stribeck 效应、间隙宽度和斜率等系统参数的估计，同时给出了相应的模型参考补偿控制、复合自适应控制和鲁棒逆补偿控制方案。针对非高斯噪声干扰下的非线性系统，提出一种新的动态自优化神经网络辨识模型，训练网络权值的同时在线优化网络结构。(3) 基于状态观测器的非线性系统神经网络自适应控制。给出了连续和离散时滞系统的神经网络观测器设计方法；针对带未知控制增益方向的时滞非线性系统，提出基于无记忆神经网络观测器的自适应跟踪控制方法；针对具有饱和输入受限和输出时延非线性系统，设计鲁棒神经网络观测器，提出了自适应神经网络前馈补偿-神经网络输出反馈镇定控制方案；针对含未知Backlash-like迟滞输入非线性状态时延系统，构建新的有限时间观测器，提出了自适应输出反馈动态面控制算法。(4) 非线性时滞系统的预测补偿控制。针对含输入时滞非线性系统，提出基于自适应神经网络辨识的反馈线性化方法，给出时滞正反馈控制和基于系统状态预测的反馈控制；针对含有死区和状态时滞的非线性系统，设计了基于单个标量权值的神经网络动态面控制方法。（5）实际控制系统中的应用。将所提出的控制算法应用于转台自动跟踪控制系统和水箱过程控制系统，实验结果验证了算法有效性。（6）复杂干扰下移动机器人地图构建与同步定位。针对传感器所受的复杂噪声，设计了基于信息熵优化的鲁棒线段估计器，给出了基于信息熵优化的特征选择地图构建与同步定位策略，提出了基于模糊熵权的多传感器信息融合算法。项目成果为高斯和非高斯干扰下非线性系统辨识及控制提供新的研究方法。