[发明专利]SISO偏格式无模型控制器基于偏导信息的参数自整定方法

权利要求书

1.SISO偏格式无模型控制器基于偏导信息的参数自整定方法，其特征在于包括以下步骤：

步骤(1)：确定SISO偏格式无模型控制器的控制输入线性化长度常数L，L为大于1的整数；SISO偏格式无模型控制器参数包含惩罚因子λ和步长因子ρ₁,…,ρ_L；确定SISO偏格式无模型控制器待整定参数，所述SISO偏格式无模型控制器待整定参数，为所述SISO偏格式无模型控制器参数的部分或全部，包含惩罚因子λ和步长因子ρ₁,…,ρ_L的任意之一或任意种组合；确定BP神经网络的输入层节点数、隐含层节点数、输出层节点数，所述输出层节点数不少于所述SISO偏格式无模型控制器待整定参数个数；初始化BP神经网络的隐含层权系数、输出层权系数；

步骤(2)：初始化前一时刻的偏导信息，作为BP神经网络的输入；

步骤(3)：将当前时刻记为k时刻，基于系统输出期望值与系统输出实际值，采用系统误差计算函数计算得到k时刻的系统误差，记为e(k)；所述系统误差计算函数的自变量包含系统输出期望值与系统输出实际值；

步骤(4)：基于所述BP神经网络的输入，BP神经网络进行前向计算，计算结果通过输出层输出，得到所述SISO偏格式无模型控制器待整定参数的值；

步骤(5)：基于步骤(3)得到的系统误差e(k)、步骤(4)得到的所述SISO偏格式无模型控制器待整定参数的值，采用SISO偏格式无模型控制器的控制算法，计算得到SISO偏格式无模型控制器针对被控对象在k时刻的控制输入u(k)；

步骤(6)：基于步骤(5)得到的所述控制输入u(k)，计算所述控制输入u(k)分别针对各个所述SISO偏格式无模型控制器待整定参数在k时刻的梯度信息，具体计算公式如下：

当所述SISO偏格式无模型控制器待整定参数中包含惩罚因子λ时，所述控制输入u(k)针对所述惩罚因子λ在k时刻的梯度信息为：

当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρ₁时，所述控制输入u(k)针对所述步长因子ρ₁在k时刻的梯度信息为：

当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρ_i且2≤i≤L时，所述控制输入u(k)针对所述步长因子ρ_i在k时刻的梯度信息为：

其中，Δu(k)＝u(k)-u(k-1)，为k时刻的伪梯度估计值，为的第i个分量(i＝1,…,L)；

步骤(7)：以系统误差函数的值最小化为目标，采用梯度下降法，结合步骤(6)得到的所述梯度信息，进行系统误差反向传播计算，更新BP神经网络的隐含层权系数、输出层权系数，作为后一时刻BP神经网络进行前向计算时的隐含层权系数、输出层权系数；所述系统误差函数的自变量包含系统误差、系统输出期望值、系统输出实际值的任意之一或任意种组合；

步骤(8)：将步骤(6)计算得到的所述控制输入u(k)分别针对各个所述SISO偏格式无模型控制器待整定参数在k时刻的梯度信息依序记为前一时刻的偏导信息，即：当所述SISO偏格式无模型控制器待整定参数中包含惩罚因子λ时则在k时刻的梯度信息之一记为前一时刻的偏导信息之一当所述SISO偏格式无模型控制器待整定参数中包含步长因子ρ_i且1≤i≤L时则在k时刻的梯度信息之一记为前一时刻的偏导信息之一所述前一时刻的偏导信息作为后一时刻BP神经网络进行前向计算时所述BP神经网络的输入；

步骤(9)：所述控制输入u(k)作用于被控对象后，得到被控对象在后一时刻的系统输出实际值，返回到步骤(3)，重复步骤(3)到步骤(9)。

2.根据权利要求1所述的SISO偏格式无模型控制器基于偏导信息的参数自整定方法，其特征在于，所述步骤(3)中的所述系统误差计算函数采用e(k)＝y^*(k)-y(k)，其中y^*(k)为k时刻设定的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值；或者采用e(k)＝y^*(k+1)-y(k)，其中y^*(k+1)为k+1时刻的系统输出期望值，y(k)为k时刻采样得到的系统输出实际值。

3.根据权利要求1所述的SISO偏格式无模型控制器基于偏导信息的参数自整定方法，其特征在于，所述步骤(7)中的所述系统误差函数为e²(k)+ωΔu²(k)，其中，e(k)为系统误差，Δu(k)＝u(k)-u(k-1)，ω为大于或等于0的常数。