通信工程学院 张艳辉 2010522112
集， 否则一旦系统状态超出论域， 在此基础上所建立的控制律难于保证设计系统的性能， 甚至导致系统的不稳 定。 此外， 这些设计方法没有考虑神经模糊自适应控制系统在初始段的动态性能。为此，孙富春等人在已有工作的基础上，深入研究了基于动态神经模糊系统的自适应控制问题，通过动态逆的设计克服系统状态位于某一紧集的要求， 并保证了设计系统在初始段的动态性能。
基于神经网络的自适应控制现状
人们对自适应控制的研究起源于 5 0年代对飞行器的自动驾驶仪问题。7 0年代以后， 由于空间技术机器人控制和过程控制的需要， 自适应控制理论和设计方法获得了迅速发展， 它成为现代控制理论中一个十分活跃的研究领域。自适应控制器的结构选取和保证整个系统全局稳定的白适应调参规则的构成等都是建立在线性系统理论的基础之上， 对于非线性自适应问题却一直难于找到相应的数学方法。神经网络以其独特的非传统表达方式和固有的
学习能力， 在结构选择上的灵活性， 引起了控制领域的极大关注。因此使得国内外众多的学者和工程技术人员从事神经网络控制的研究，并取得了丰硕的成果。目前基于神经网络的自适应控制系统比较成 熟的有两种： 神经网络模型参考 自适应控制( N N MR A c ) 和神经网络自校正控制( N N S I E) 。
无模型自适应控制发展现状
无模型自适应控是侯忠生于1 9 9 3 ~1 9 9 4 年在其博士论文中提出的( 导师为韩志刚教授) ，其基本思想是利用一个新引入的伪梯度向量( 或伪J a c o b i 矩阵) 和伪阶数的概念，在受控系统轨线附近用一系列的动态线性时变模型( 紧格式、 偏格式、全格式线性化模型) 来替代一般离散时间非线性系统， 并仅用受控系统的I／O数据来在线估计系统的伪梯度向量， 从而实现非线性系统的MF AC 。 该种方法控制器设计仅用受控系统的I／O 数据，不包括任何受控系统的模型信息，能够实现受控系统的参数自适应控制和结构自适应控制。该方法 已经在一些假设条件下就其中的基于紧格式线性化和偏格式线性化的MFAC方案给出了收敛性和稳定性的理
吉林大学
论证明。目前， 此类无模型 自适应控制方法 已经在铸模 、 电机、 化工、温度、压力等领域、城市快速路交通控、工程结构减震、板材成形中得到成功的应用， 而且已经获得了中国技术发明专利。实际应用、 仿真研究和理论证明表明MF AC技术能够处理具有强非线性和时变性系统的控制问题。
瑞典的H。Hialmarsson 和Jonas Sjoberg 于l995 年给出了一种无模型控制方法，也称为迭代无模型控制优化方法( iterative mode1。free control optimiztion method ) 或称为迭代反馈自校正方法( iterativfeed back tuning，IFT)，其基本思想是利用一个在受控系统工作点附近的线性时变模型的辨识来替代整个非线性系统模型的辨识，然后此时变线性模型被用来计算系统输出关于控制器参数的梯度信息，该梯度信息是由迭代算法来实现其估计，以此来实现非线性系统的无模型控制。但该方法在每一次迭代中需要( 控制器参数个数+ 1 )次实验，但该方法需要已知受控系统阶数的估计值。
美国的Michael G. Safonov 在l995 年提出一种称为是去伪控$1的无模型控制方法， 该种方法的基本思想是首先构造一个满足性能规格的可行控制器参数集合， 然后基于量测到的新数据迭代地判别是否满足此性能规格。 当新量测到的数据否定掉目前使用的控制器之后， 则控制器便会自动地切换到新的控制器。 当所使用控制器的满足性能规格未被所量测到的数据否定掉， 则设计一个优化算法缩小可行控制器的可行区域。 此种无模型控制方法本质上是一种切换控制， 因此具有很多有待理论研究的问题。
自适应控制理论的研究现状
在过去的二十年里，非线性系统的自适应控制已经吸引了许多注意。在自适应控制研究早期，得到了几种典型的设计方法。在这些文章中，系统的不确定性要求满足线性参数化条件，也就是说，假设被控对象的模型是严格己知的，假设未知参数关于己知非线性函数是线性的。然而，这些假设在很多实际情况下不是充分的，因为被控对象很难通过已知非线性函数精确描述。然而，在大量的实际应用中不确定性是不能线性化的。对于许多高度非线性的动态系统很难构造精确的数学模型，因此如何设计控制方法去处理建
7
通信工程学院 张艳辉 2010522112
模不确定性是非常重要的。在最近十几年，具有完全未知函数的非线性系统的控制问题已经是一个非常活跃的研究领域。
已经证明模糊系统，RBF神经网络或前馈神经网络]能一致逼近任意连续函数到任意的精度，因此它们对于处理不确定系统是非常有效的方法。基于这些逼近系统，针对不确定非线性系统，提出了几种的自适应控制方法使得相应闭环系统的所有信号是有界的以及跟踪误差收敛到一个小的零邻域内。这些方法是在假设状态可测的条件下设计的，然而，许多实际系统中状态是不可测的。为了推广应用，一些研究者把这些结果扩展到状态不可测的5150系统中。由于对最优逼近参数向量估计的自适应调节，这些方法在线计算量非常大。因此，基于观测器提出一种控制方法能减小计算量是需要的，本文第二章解决了这个问题。目前，针对不确定MIMO系统，在假设状态可测和状态不可测条件下，已经取得许多有意义的研究成果。文中或者没考虑外部干扰或者考虑了外部干扰但假设干扰系数为常数1。为了进一步扩展适用范围，本文中针对具有干扰且干扰系数是未知的非线性函数的MIMO系统提出一种方法使得闭环系统稳定。上面中提到的系统要求满足匹配条件，但是，许多实际系统例如严格反馈系统和纯反馈系统不依赖于这个条件。
BackstePPing设计方法已经是被利用去分析具有三角结构非线性系统的自适应控制问题。在早期，BackstePping设计方法主要应用于线性参数化系统。针对反馈线性化5150非线性系统发展了一种跟踪控制方案。在1995年，M。Krstic针对非线性MIMO严格反馈系统设计了自适应BackstePPing控制算法。这个算法的一个主要限制是在输入增益矩阵中没有参数不确定性。最近，克服了这个限制，系统允许在输入增益矩阵中有参数不确定性。随着BackstePping方法的发展，许多研究者成功地应用BackstePping设计过程针对具有未知函数的三角结构非线性系统去构造控制控制器。虽然通过联合BackstePPing方法和万能逼近器(模糊系统、RBF神经网络和前馈神经网络等等)，针对不确定三角结构非线性系统，已经提出了许多有意义的成果，但是在实际应用仍然存在许多问题需要解决。针对目前存在的一些问题。尽管模糊控制具有许多优于传统控制的特点，并在实际应用中取得了巨大的成功，但由于控制系统的特殊性，对模糊控制的理论研究仍存在许多困难。
吉林大学
本质上讲，模糊控制器应该是一种控制非线性系统的非线性控制器。因此，模糊控制理论也应该属于非线性控制的一个分支。而目前非线性理论的发展远不如线性系统控制理论完善，因而也难给模糊控制系统提供有效的分析和综合方法。更何况模糊系统是一种特殊的非线性系统。
总的说来，目前对模糊控制的理论研究落后于应用的发展，还存在许多需要解决的课题。将模糊控制同其他领域的理论研究方法相结合，利用模糊控制的优势解决该领域中过去用常规方法难于解决的问题。尽管模糊控制的理论体系还很不完善，人们对其的认识也不够深刻，但有其广泛的应用前景，并且随着相关学科的发展，有理由相信模糊控制发展的前景是乐观的。
自适应逆控制的发展
自从20世纪60年代中期Cooley和Tukey提出快速傅立叶变换算法以来，随着信息科学与计算机技术的不断发展，信号处理技术的进步带动自适应滤波技术逐步走向成熟，并已经成功应用于很多领域，如自适应天线系统信道均衡和远距离电话线路回波抵消的通信问题、干扰消除、谱分析、语音分析与合成以及许多其他的信号处理问题。在过去几十年中，自适应控制领域也取得了很大进展。对带有不确定参数的线性有限维系统，己有了一整套完善的自适应控制理论，既有针对随机系统的也有针对带有小的未建模动态的确定性系统的。此理论可推广到带有线性未知参数的非线性系统和带有线性增长非线性的系统。若是去
掉这些结构上的限制，设计稳定的自适应控制器将非常困难。这就引起了人们对自适应反馈的最大能力(限度)的研究兴趣。Astm和Wittelunark指出从控制器的软件或硬件上是很难区分自适应反馈和普通非线性反馈的，因此要探索的自适应反馈能力也是一般定义的反馈能力。我国学者郭雷院士率先开展了包括自适应控制系统在内的反馈能力的研究，得到了一系列重要的定量和定性研究成果。
通常我们称之为“对象”的欲被控制的系统可能是具有噪声的，这几乎是不可避免的，并且这些噪声的属性在大多数情况下是未知的;某些情况下，对象甚至可能是不稳定的。对于这样一类对象，自适应控制系统比固定不变的系统显示出了很大的优越性，它可以调整自身参数，以满足被控对象未知
9
通信工程学院 张艳辉 2010522112
和时变的要求，这种优越性使得自适应控制找到了一个很自然的应用领域。信号处理与自适应控制两种技术是各自独立地发展的，直到1983年6
月在美国旧金山市举行的第一届“控制和信号处理中的自适应系统”的IFAC专题研讨会 (FirstIFACWorksh onAd tivesysteminControland alproeessing)上， BernardWidrow ProcessingforAdaptivecontrol”的论文，涉及到了自适应逆控制的一些基本想法。1986年7月，B。W记row应Astrom教授的邀请写了一篇论文，在瑞典Lund举行的 The Second IFAC Works on Adtive systemsin Control and Signal Processing会上宣读，正式提出了“自适应逆控制”的理论。自适应逆控制要用自适应信号处理的一套方法从另外一种角度来触及自适应控制中的某些问题。1996年B。w记row和E，walach合写了Adal，tivelnvers Control(中译本《首迢诬褪结筛办由西安交通大学出版社于 1999年出版)，建立了系统的自适应逆控制理论。这种控制方法在国外已经发展多年，而且在很多方面都得到了应用，如心电图噪声消除，飞机摆动控制等。其中，最为成功的应用是美国能源部设在斯坦福大学的斯坦福直线加速器中心(SLAC)的电子束控制中的自适应噪声消除系统。线性5150系统(包括最小相位和非最小相位)的自适应逆控制的设计与分析已较完善，但在某些具体细节上尚存在不足;对MIMO系统和非线性系统的自适应逆控制，其设计方法和系统性能分析均有待深入研究。
神经网络自适应控制系统的研究进展
神经网络自40 年代提出以来,理论和应用都取得了巨大的发展[1 ] ,[2 ] 。“神经网络控制”是80 年代以后,在人工神经网络研究取得突破性进展基础上,发展起来的自动控制领域的前沿学科之一。对一个控制系统来说,其稳定性是首要的。在受控对象或环境发生变化时,为了保证良好的控制性能,提出了自适应控制策略。自适应控制具有鲁棒性强,原理简单的特点。线性系统自适应控制的理论基础是李亚普诺夫稳定性理论和波波夫超稳定理论 。就一般的过程控制系统而言,自适应控制器的设计相当复杂,严重制约了自适应的应用。目前,神经网络的理论研究日趋深入,其重要发展方向之一就是注重与自适应、小波、混沌、模糊集等非线性理论相结合。神经网络不但可以描述任意的非线性系统,而且还具有学习、记忆及各种智能处