基于神经网络的非线性系统合作学习辨识与控制

本项目将人类合作学习的思想用于非线性不确定系统辨识与控制，研究基于一致性理论的不确定系统合作学习神经网络辨识与控制问题。.①针对多个同结构模型但不同输入的不确定非线性动态系统，通过引入合作通信机理与网络拓扑结构，提出神经网络合作学习辨识算法；基于代数图论和最优化理论，分析算法的收敛性。.②针对由多个同结构模型但不同控制任务的不确定非线性系统，设计基于合作通信机理和网络拓扑结构的神经网络权值自适应律和控制律，基于代数图论和Lyapunov稳定性理论，分析控制系统稳定性。.③在以上研究的基础上，进一步考虑合作通信网络中的时延，丢包，干扰等因素对学习控制性能的影响，将上述辨识和控制算法推广到一般系统。.④将上述合作学习控制方法用于多机器人合作控制和多机械手的协同控制。

当今，随着网络化时代的到来，人类已经进入了第四次工业革命，其重要标志之一就是工业系统的控制方式由集中式到分布式转变，由自动化到智能化转变。然而工业控制系统中的各个环节很难获得精确的模型，系统建模和辨识是控制系统的首要任务，如何利用网络交互信息的优势，通过在系统间建立恰当的信息交互机制进行系统间的合作，借鉴人类合作学习的思想研究非线性不确定系统辨识与控制？这便是本项目要解决的关键科学问题，本项目围绕这一问题，重点研究内容及对应的成果和相关数据如下。.首先，针对一类由n个具有一般线性参数化形式的非线性不确定系统组成的群体系统，通过在自适应律中引入合作通信机理与网络拓扑结构，借鉴多智能体系统的一致性协议设计方法，提出分布式合作自适应（DCA）系统辨识方法；研究结果显示只要闭环系统的回归矩阵满足一类更一般的合作持续激励条件，并且网络拓扑是无向连通的，那么系统自适应律将一致收敛到未知参数的真值。其次，针对两类由n个具有代表性的二阶不确定非线性系统组成的群体系统，采用神经网络逼近未建模动态，在神经网络权值自适应律中引入网络拓扑结构，提出了神经网络分布式合作学习（DCL）辨识算法；研究结果表明只要网络拓扑是无向连通的，那么神经网络模型将在所有系统参考信号并集上一致收敛到实际未建模动态附近。再次，针对网络拓扑结构的一致性问题，进一步研究了合作通信网络中的量化和优化问题，研究结果表明只要网络拓扑是连通的，所提出的量化一致性算法将收敛到与量化误差成正比的一个原点的小领域内，所提出的一致性优化算法将收敛到全局目标函数的最优值。上述DCA思想进一步推广到带有未知控制方向的不确定系统。最后，所提出的算法用于机器人分布式编队控制取得了很好的效果，从而验证了算法的有效性。.本项目共发表论文26篇，其中SCI源期刊20篇，包括IEEE 汇刊4篇，《Automatica》 3篇，授权专利2项，待出版专著1部，培养博士研究生1名，硕士研究生8名，研究成果获陕西省科学技术一等奖一项。研究成果目前已被SCI它引55 次。