资源预览内容
第1页 / 共84页
第2页 / 共84页
第3页 / 共84页
第4页 / 共84页
第5页 / 共84页
第6页 / 共84页
第7页 / 共84页
第8页 / 共84页
第9页 / 共84页
第10页 / 共84页
亲,该文档总共84页,到这儿已超出免费预览范围,如果喜欢就下载吧!
资源描述
宁波大学硕士学位论文 基于神经动力学的非线性系统控制的若干问题研究 摘摘 要要 近几年来,基于神经动力学模型(Shunting Model)的神经网络已经在机器人地图建立、运动规划、虚拟装配等方面得到了应用;然而,神经动力学在信号处理、非线性动态系统建模和控制中的应用还没有引起重视。对于一些典型的非线性系统的控制问题,本文提出了基于神经动力学模型(Shunting Model)的一些控制新策略。通过倒立摆的稳定控制、移动机器人的跟踪控制的仿真研究验证了本文所提出方法的有效性。 本文通过将 Shunting Model 与常规 PID 控制规律相结合,提出了一种动态神经元 PID 控制器。这种控制器具有增益自调整和非线性滤波等特性,用它可以构造一类柔性、安全的控制系统。此外,在动态神经元 PID 控制器的基础上,通过引入非线性鲁棒补偿控制,提出了神经元 PID 控制器与鲁棒补偿控制相结合的复合控制策略,有效地解决了一类参数不确定非线性系统的鲁棒控制问题。通过倒立摆的稳定控制仿真验证了这两种控制策略的有效性。 针对非完整移动机器人的导航控制问题,本文提出了由基于生物神经元模型的速度控制器和基于滑动模的力矩控制器所构成的一个跟踪控制系统新结构。将三个动态神经元(Shunting Model)嵌入到基于 Backstepping 的速度控制器中,使得速度控制器的输出光滑、有界,从而有效地解决了移动机器人跟踪控制中存在的“速度跳变”问题。由于所提出的控制系统的内部传递信号与系统输出是有界,从而保证了移动机器人导航控制的安全性。 本文在研究神经元模型 Shunting Model 有关特性的基础上,提出了参数自适应的神经元模型。通过将参数自适应律引入到神经元模型,使得这类神经元具有参数自适应非线性滤波器的功能,扩展了 Shunting Model 的功能和应用范围。将自适应神经元嵌入基于 Backstepping 的速度控制器,进一步改善了跟踪控制的快速性和精确性。 关键词:神经动力学,关键词:神经动力学, 自适应神经元,自适应神经元, 移动机器人,移动机器人, 倒立摆,倒立摆, 非线性控制。非线性控制。 宁波大学硕士学位论文 Study on Some Issues of Nonlinear System Control Based on Neurodynamics Abstract The neural networks based on neurodynamics model, which is described by Shunting Model, have been applied to map building and motion planning of mobile robots, virtual assembly, and other areas. However, there are very few attentions on the application of neurodynamics in signal processing, and nonlinear dynamic systems modeling and controlling. For some typical nonlinear systems, some novel control strategies based on neurodyanmics are presented in this thesis. The performance of the proposed controllers is demonstrated through simulations on the stabilization control of an inverted pendulum and the tracking control of a mobile robot. A novel dynamic neuron-PID controller is presented by integrating the Shunting Model and a typical PID controller. The proposed controller has some characteristics of nonlinear filtering and auto-gain-regulation, and can be employed to design a class of flexible and safe control systems. Furthermore, a composite control strategy with an extra compensative controller and the dynamic neuron-PID controller is proposed. It can effectively solve the robust control problem for a class of nonlinear systems with parameter uncertainty. The effectiveness of the two designed controllers is demonstrated by simulation studies on the stabilization control of an inverted pendulum. Due to the navigation control of a nonholonomic mobile robot, we develop a novel configuration of the tracking control of a mobile robot, which includes a velocity controller based on biological neurons and a sliding mode based torque controller. Three dynamic neurons, called as shunting models, are embedded into the backstepping-based velocity controller to make the outputs of the velocity controller smooth and bounded, so it can eliminate the sharp speed jumps in the tracking control of mobile robots. As the inner transferring singles and the outputs of the controller are bounded, it is able to ensure the mobile robot to navigate safely. An adaptive neuron with parameter adaptation is proposed. The neuron with parameter adaptation has the unique characteristic of an adaptive nonlinear filter. Its function and engineering application can been extended. The performance of the control system with the backstepping-based velocity controller, which is embedded with the adaptive neurons, can be effectively improved in tracking response celerity and accuracy. Key Words:Neurodynamics, Adaptive neuron , Mobile robot, Inverted pendulum, Nonlinear control. 独独 创创 性性 声声 明明 本人郑重声明:所呈交的论文是我个人在导师指导下进行的研究工作及取得研究成果。尽我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写的研究成果,也不包含为获得宁波大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说明并表示了谢意。 签名:_ 日期:_ 关于论文使用授权的声明关于论文使用授权的声明 本人完全了解宁波大学有关保留、使用学位论文的规定,即:学校有权保留送交论文的复印件,允许论文被查阅和借阅;学校可以公布论文的全部或部分内容,可以采用影印、缩印或其他复制手段保存论文。 (保密的论文在解密后应遵循此规定)(保密的论文在解密后应遵循此规定) 签名:_ 导师签名:_ 日期:_ 宁波大学硕士学位论文 - 1 - 引 言 引 言 在生物神经网络中,神经元是神经网络的结构单元,也是它的功能单元,在神经信息学中起关键作用。由于人类对生物神经网络、脑结构及其活动机理的了解比较有限,因此现有的人工神经网络中大都采用静态、简化的神经元模型,其与动态、复杂的生物神经元相比还是相当简单的。近年来,随着非线性动力学理论的发展,生物神经元动力学模型的研究取得了很大的进展1-4。一般地说,人工神经网络的动力学的研究经常是紧跟着生物神经网络的动力学研究而进行的。因此,生物神经动力学模型的研究进展将为工程师提供了解决复杂问题的新思路。将生物物理学上的研究成果借鉴到人工神经网络或其他智能技术上来,必将推动人们设计出更接近人脑的智能机器来。 1952 年,著名生物物理学家 Hodgkin 和 Huxley 提出了一个著名的神经细胞膜的电路模型和描述细胞膜的动力学方程(H-H 模型)5。20 世纪 70 年代Grossberg 在 H-H 模型的基础上总结和发展了这个模型,提出了一类神经动力学模型,Shunting Model 就是一个典型的生物神经元动力学模型,这个模型正在受到一些学者的关注6-12。近两年来,Yang 和 Meng 提出了一种基于 Shunting Model 的生物激励动态神经网络,该神经网络不需要学习过程,输出有界且光滑连续。Yang等人已将基于神经动力学的方法应用于移动机器人路径规划、避障控制、轨迹跟踪、虚拟装配等方面8-12。 目前,国内外在神经动力学及其相关技术的应用研究还刚刚起步,而且主要研究的是神经动力学与神经网络相结合的智能技术及其应用。将神经动力学直接应用在信号处理、非线性系统建模与控制等领域的还非常少。值得注意的是一些神经动力学模型具有一些独特的优良动态特性。因此,研究神经动力学模型与已有控制方法相结合的智能控制是非常必要的。 为促进相应智能技术和有关应用基础理论的发展,本论文研究神经动力学模型及其在复杂非线性动态系统控制中的应用。本文将 Shunting Model 与常规 PID 控制律相结合,构造了一个具有非线性增益自调整的动态神经元 PID 控制器。该控制器具有光滑、柔和、有界的输出特性,可以用来构造一类柔性、安全的控制系统。针对非完整移动机器人跟踪控制中的问题,将三个动态神经元嵌入到传统的基于Backstepping 的速度控制器中,动态神经元相当于一个增益自调整的非线性滤波器,能够有效地消除“速度跳变”现象;并结合基于滑模和
网站客服QQ:2055934822
金锄头文库版权所有
经营许可证:蜀ICP备13022795号 | 川公网安备 51140202000112号