[发明专利]一种基于改进极限学习机的非线性逆模型控制方法

说明书

技术领域

本发明涉及涉及一种非线性系统逆模型控制方法，尤其涉及一种基于多Agent粒子群(MAPSO)优化极限学习机参数的非线性系统逆模型控制方法。

背景技术

逆系统方法是一种反馈线性化解耦方法，在系统的逆存在前提下寻找其逆模型，并与原系统串联构成伪线性系统，从而完成反馈线性化。目前，应用于非线性系统逆模型控制中的常用方法有神经网络、支持向量回归(SVR)算法等方法。这些算法虽然使逆模型控制在非线性系统中的应用取得了较好的效果，但是，由于这些算法自身的局限性(神经网络结构类型的选择都基于经验选取，存在局部最优等问题，SVR算法存在鲁棒性、稀疏性和大规模运算等问题)，使得过学习、训练速度慢及局部最小值等问题无法避免。

极限学习机(ELM)是一种简单易用的单隐含层前馈神经网络(SLFN)学习算法。基于输入权重及隐含层阈值随机产生且无需调整的ELM可以很好地解决训练速度慢、过学习、局部最小值等问题。

本发明提出一种基于改进极限学习机(MAPSO-ELM)的非线性系统逆模型控制方法。该算法的主要思想是首先引入MAPSO优化算法训练选取合适的ELM输入权重及隐含层阈值，有效避免随机初始化ELM引起的预测精度不稳定、泛化能力低等问题，然后利用MAPSO-ELM对被控对象的逆直接建模，解决非线性系统逆模型建模困难问题，最后将训练好的MAPSO-ELM逆模型直接与原系统复合即可实现对非线性系统的预测控制。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种提高预测精度及泛化能力的同时改善算法的整体性能的基于改进极限学习机的非线性逆模型控制方法。本发明的技术方案如下：

一种基于改进极限学习机的非线性逆模型控制方法，其包括以下步骤：

101、对多Agent粒子群算法MAPSO进行种群初始化，即设置多Agent粒子群算法MAPSO的相关运行参数、种群规模、环境大小、迭代次数、权重上下限；

102、根据步骤101，利用MAPSO对极限学习机的输入权重参数及隐含层阈值参数进行MAPSO寻优，确定出优化后的极限学习机ELM的输入权重参数及隐含层阈值参数；

103、根据步骤102中得到的优化后的极限学习机ELM，采用优化后的极限学习机ELM对被控对象的逆进行训练并直接建立逆模型；

104、将训练好的MAPSO-ELM逆模型直接与原系统即被控对象相连，得到伪线性系统，进行非线性逆模型控制，结束。

进一步的，步骤101中的多Agent粒子群算法MAPSO具体包括以下步骤：

A1、种群初始化，设置运行参数，包括迭代次数、种群规模、加速度系数、粒子位置和速度及其上下限、最小误差限制；

A2、根据适应度函数其中y_i,y_i'分别代表ELM训练输出值和期望输出值，N为样本数，计算当前粒子适应度值；

A3、根据邻居信息，更新粒子的个体最优位置，每个粒子预设置一个邻居环境，假设当前粒子为L_i,j，将其和所有邻居粒子中具有最小适应度值的粒子K_i,j比较，若不满足式(1)就根据式(2)更新其位置，否则保持其当前位置不变；

f(L_i,j)≤f(K_i,j)            (1)

l'_k＝k_k+rand(-1,1)·(k_k-l_k)   k＝1,2,...，n     (2)

A4、根据式(3)更新粒子的位置和速度，