[发明专利]一种基于修剪策略的D-FNN直接逆控制方法及系统在审
| 申请号： | 201910482044.5 | 申请日： | 2019-06-04 |
| 公开（公告）号： | CN110361968A | 公开（公告）日： | 2019-10-22 |
| 发明（设计）人： | 张彩霞;王向东;王新东;曾平 | 申请（专利权）人： | 佛山科学技术学院 |
| 主分类号： | G05B13/04 | 分类号： | G05B13/04 |
| 代理公司： | 广州嘉权专利商标事务所有限公司 44205 | 代理人： | 谢泳祥 |
| 地址： | 528000 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于修剪策略的D‑FNN直接逆控制方法及系统，采用分级学习的能保证更简洁的结构和更短的学习时间，分级学习策略的一大好处是可以缓解学习过程中的震荡问题，当外部环境出现扰动时，D‑FNN具有很强的自适应性和鲁棒性可以把轨迹误差迅速地减少到接近零。D‑FNN可以根据对逆控制系统的重要性及系统的复杂性自动地产生或者删除模糊规则，在线学习时模型不需要预先设定，可以从训练数据设置次序自适应地学习，从而补偿了非线性系统建模误差处理外部扰动。通过仿真研究，动态模糊神经网络将会在许多实时自动控制系统中得到应用。 | ||
| 搜索关键词： | 分级 修剪 动态模糊神经网络 非线性系统建模 实时自动控制 仿真研究 轨迹误差 控制系统 模糊规则 外部环境 外部扰动 误差处理 学习策略 学习过程 训练数据 在线学习 自适应性 扰动 鲁棒性 自动地 自适应 学习 删除 震荡 缓解 应用 保证 | ||
【主权项】：
1.一种基于修剪策略的D‑FNN直接逆控制方法，其特征在于，所述方法包括以下步骤：步骤1，读取输入数据集；步骤2，构建动态模糊神经网络模型；步骤3，将动态模糊神经网络模型调整为分级学习动态模糊神经网络模型；步骤4，通过修剪策略对分级学习动态模糊神经网络模型中的模糊规则进行修剪剔除得到修剪神经网络模型；步骤5，通过修剪神经网络模型对输入数据集进行数据遗忘得到控制系统参数数据集；步骤6，构建逆控制模型并输入控制系统参数数据集到逆控制模型进行控制。
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。
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佛山科学技术学院，未经佛山科学技术学院许可，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/201910482044.5/，转载请声明来源钻瓜专利网。
- 上一篇：滑模观测器的构建方法
- 下一篇：一种冷热电综合能源系统优化运行方法
