[发明专利]MISO全格式无模型控制器基于偏导信息的参数自整定方法

摘要

本发明公开了一种MISO全格式无模型控制器基于偏导信息的参数自整定方法，利用偏导信息集作为BP神经网络的输入，BP神经网络进行前向计算并通过输出层输出惩罚因子、步长因子等MISO全格式无模型控制器待整定参数，采用MISO全格式无模型控制器的控制算法计算得到针对被控对象的控制输入向量，以系统误差函数的值最小化为目标，采用梯度下降法，并结合控制输入分别针对各个待整定参数的梯度信息集，进行系统误差反向传播计算，在线实时更新BP神经网络的隐含层权系数、输出层权系数，实现控制器基于偏导信息的参数自整定。本发明提出的MISO全格式无模型控制器基于偏导信息的参数自整定方法，能有效克服控制器参数的在线整定难题，对MISO系统具有良好的控制效果。

主权项

1.MISO全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)：针对具有m个输入(m为大于或等于2的整数)与1个输出的MISO(MultipleInput and Single Output，多输入单输出)系统，采用MISO全格式无模型控制器进行控制；确定MISO全格式无模型控制器的控制输出线性化长度常数Ly，Ly为大于或等于1的整数；确定MISO全格式无模型控制器的控制输入线性化长度常数Lu，Lu为大于或等于1的整数；所述MISO全格式无模型控制器参数包含惩罚因子λ和步长因子ρ1,…,ρLy+Lu；确定MISO全格式无模型控制器待整定参数，所述MISO全格式无模型控制器待整定参数，为所述MISO全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,…,ρLy+Lu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MISO全格式无模型控制器待整定参数个数；初始化所述BP神经网络的隐含层权系数、输出层权系数；初始化集合{偏导信息集}中的偏导信息；步骤(2)：将当前时刻记为k时刻；步骤(3)：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)；步骤(4)：将所述集合{偏导信息集}中的偏导信息作为BP神经网络的输入，所述BP神经网络进行前向计算，计算结果通过所述BP神经网络的输出层输出，得到所述MISO全格式无模型控制器待整定参数的值；步骤(5)：基于步骤(3)得到的所述系统误差e(k)、步骤(4)得到的所述MISO全格式无模型控制器待整定参数的值，采用MISO全格式无模型控制器的控制算法，计算得到MISO全格式无模型控制器针对被控对象在k时刻的控制输入向量u(k)＝[u1(k),…,um(k)]T；步骤(6)：针对步骤(5)得到的所述控制输入向量u(k)中的第j个控制输入uj(k)(1≤j≤m)，计算所述第j个控制输入uj(k)分别针对各个所述MISO全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MISO全格式无模型控制器待整定参数中包含惩罚因子λ且Lu＝1时，所述第j个控制输入uj(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述MISO全格式无模型控制器待整定参数中包含惩罚因子λ且Lu>1时，所述第j个控制输入uj(k)针对所述惩罚因子λ在k时刻的梯度信息为：当所述MISO全格式无模型控制器待整定参数中包含步长因子ρi且1≤i≤Ly时，所述第j个控制输入uj(k)针对所述步长因子ρi在k时刻的梯度信息为：当所述MISO全格式无模型控制器待整定参数中包含步长因子ρLy+1时，所述第j个控制输入uj(k)针对所述步长因子ρLy+1在k时刻的梯度信息为：当所述MISO全格式无模型控制器待整定参数中包含步长因子ρi且Ly+2≤i≤Ly+Lu且Lu>1时，所述第j个控制输入uj(k)针对所述步长因子ρi在k时刻的梯度信息为：其中，Δuj(k)＝uj(k)-uj(k-1)，Δy(k)＝y(k)-y(k-1)，y(k)为k时刻的系统输出实际值，为k时刻的MISO系统伪分块梯度估计值的行矩阵，为行矩阵的第i块行矩阵(i＝1,…,Ly+Lu)，为行矩阵的第j个梯度分量估计值，为行矩阵的2范数；上述全部所述梯度信息的集合记为{梯度信息j}，放入集合{梯度信息集}；将所述{梯度信息j}集合中的梯度信息依序记为前一时刻的偏导信息，即：当所述MISO全格式无模型控制器待整定参数中包含惩罚因子λ时则所述{梯度信息j}集合中的梯度信息记为前一时刻的偏导信息当所述MISO全格式无模型控制器待整定参数中包含步长因子ρ

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于浙江大学，未经浙江大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201711323329.1/，转载请声明来源钻瓜专利网。