考虑输入饱和的基于RBF神经网络补偿的USV滑模控制.pdf下载

weixin_39821260 2021-10-06 21:26:52

考虑输入饱和的基于RBF神经网络补偿的USV滑模控制.pdf , 相关下载链接：https://download.csdn.net/download/jiebing2020/24822016?utm_source=bbsseo

...全文

22 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

最近在研究RBF神经网络滑模控制的相关问题，写个博文总结一下 RBF神经网络 RBF神经网络有3层：输入层、隐含层和输出层。隐含层的神经元激活函数由径向基函数构成。隐函数组成的数组运算单元称为隐含层节点。每个隐含层节点包含一个中心向量 ccc，ccc 和输入参数向量 xxx 具有相同维数，二者之间的欧氏距离定义为 ∣∣x(t)−cj(t)∣∣||x(t)-c_j(t)||∣∣x(t)−cj(t)...

滑模控制（Sliding Mode Control，SMC）是一种非线性控制策略，用于处理系统参数不确定性、外部干扰和模型误差等问题。近年来，将径向基函数（Radial Basis Function，RBF）网络与滑模控制相结合，形成了基于RBF网络的滑模变结构控制系统，该系统在非线性系统控制中具有良好的性能。本文将详细介绍该控制系统的原理、相关公式以及其优势。由于滑动模态可以进行设计且与对象参数及扰动无关，这就使得变结构控制具有快速响应、对参数变化及扰动不灵敏、无需系统在线辩识，物理实现简单等优点。

目录前言 1 问题描述 2 RBF神经网络原理 3 控制算法设计与分析 4 仿真实例 5 总结参考文献前言如果被控对象的数学模型已知，滑模控制器可以使系统输出直接跟踪期望指令，但较大的建模不确定性需要较大的切换增益，这就造成抖振，抖振是滑模控制中难易避免的问题。将滑模控制结合神经网络逼近非线性系统的控制中，采用神经网络实现模型未知部分的自适应逼近，可有效地降低模糊增益。神经网络自适应律通过方法导出，通过自适应权重的调节保证整个闭环系统的稳定性...

1.RBF监督控制基于RBF神经网络的监督控制系统，其控制思想是：初始阶段采用PD反馈控制，然后过渡到神经网络控制。在控制过程中，如出现较大的误差，则PD控制起主导作用，神经网络控制起调节作用。图1 基于RBF神经网络的监督控制系统设：(1) 径向基向量h=[h1，...，hm]T，（高斯基函数），hj=exp( -||x(k)-cj||^2/(2bj^2))。其中，i=1；j=1，...，m；x...

RBF神经网络学习算法需要求解的参数有三个：基函数的中心向量W、方差σ \sigmaσ以及隐含层到输出层的权值。根据选取的径向基函数中心的方法不同，RBF神经网络有不同的学习方式。隐藏层使用径向基函数作为激活函数，常见的径向基函数是高斯函数。在基于RBF神经网络的自适应控制器中，RBF神经网络用于逼近未知的非线性系统动态，而控制器的参数则根据某种自适应律进行在线调整。在simulink中，使用S函数编写基于RBF神经网络的自适应控制器，然后实现基于RBF神经网络的自适应控制器的控制仿真。

下载资源悬赏专区

13,654

社区成员

12,574,275

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章