自适应控制开题报告.doc

自适应控制开题报告.doc

《自适应控制开题报告.doc》由会员分享，可在线阅读，更多相关《自适应控制开题报告.doc（10页珍藏版）》请在冰点文库上搜索。

毕业设计（论文）开题报告

题目自适应控制系统设计与仿真

专业名称电子信息工程

班级学号

学生姓名

指导教师

填表日期2012年2月25日

说明

开题报告应结合自己课题而作，一般包括：

课题依据及课题的意义、国内外研究概况及发展趋势（含文献综述）、研究内容及实验方案、目标、主要特色及工作进度、参考文献等内容。

以下填写内容各专业可根据具体情况适当修改。

但每个专业填写内容应保持一致。

一、课题的意义：

本毕业设计旨在学习并比较各种自适应控制算法，掌握matlab语言，利用sinmulink对自适应控制系统模型进行仿真分析。

自适应控制是人们要求越来越高的控制性能和针对被控系统的高度复杂化，高度不确定性的情况下产生的，是人工智能渗入到应用科技领域的必然结果。

并在常规控制理论的基础上得到进一步的发展和提高。

进入21世纪以来，智能控制技术和远程监测技术继续飞速发展，逐渐被应用到电力、交通和物流等领域。

从卫星智能控制，到智能家居机器人;从公共场所的无线报警系统，到家用煤气、自来水等数据的采集。

可以说，智能控制技术和远程监测技术己经渗透到了人们日常生活之中，节约了大量的人力和物力，给人们的日常生活带来了极大的便利。

目前，自适应控制的研究以认知科学、心理学、社会学、系统学、语言学和哲学为基础，有效的把数字技术、远程通信、计算机网络、数据库、计算机图形学、语音与听觉、机器人学、过程控制等技术有机的结合，提供了解决复杂问题的有效手段。

自适应控制是在人们在追求高控制性能、高度复杂化和高度不确定性的被控系统情况下产生的，是人工智能渗入到应用科技领域的必然结果，并在常规控制理论的基础上得到进一步的发展和提高。

主要研究对象从单输入、单输出的常系数线性系统，发展为多输入、多输出的复杂控制系统。

自适应控制理论的产生为解决复杂系统控制问题开辟了新的途径，成为当下控制领域的研究和发展热点。

二、课题的国内外研究概况及发展趋势（含文献综述）：

课题主要研究的是模糊自适应控制和神经网络自适应控制，下面主要从这两方面介绍其发展概况。

（一）模糊自适应控制

（l）第一阶段（20世纪60年代）

1965年，zadeh.LA教授发表了开创性的文章《Fuzzysets》，标志着模糊理论的诞生在20世纪60年代末到70年代初，模糊算法、模糊决策等概念相继提出。

（2）第二阶段（20世纪70年代）

由于Zadeh.LA的杰出的工作，建立了模糊理论的大部分重要概念。

1973年Zadeh.L在他的重要文章《OutlineofaNewApproachtoTheanalySISOComplexSystemsandDecisionProeessess》中，引入了语言变量和模糊规则的概念，建立了模糊控制的基本原理。

更为重要的是Mandani和ostergaard分别将模糊控制成功地应用于蒸汽机和水泥窑的控制，为模糊理论的发展展现了光明的前景。

（3）第三阶段（20世纪50年代）

这个时期，模糊理论的应用无论是在深度还是在广度上都有了较大进展，产生了大量的应用成果。

特别是在日本，模糊控制被成功地应用于废水处理、机器人、汽车驾驶、家用电器和地铁系统等许多领域，掀起了模糊技术应用的浪潮。

1987年，具有重要意义的第二届IFSA大会在日本东京召开。

另外，模糊软硬件也投入商业使用。

（4）第四阶段（20世纪90年代以后）

模糊控制成功地应用，极大地推动了模糊理论的研究。

1992年2月，在sanDieg

召开的IEEEonIntemationaleonrerenceonFuzzysystem，标志着模糊理论为世界上最大的工程师组织所接受，接着，在1993年创刊了《IEEEonFuZzysystems》。

90年代以来，模糊理论的研究取得了一系列突破性的进展，例如自适应模糊控制，模糊系统的结构稳定性分析，模糊优化，模糊逼近等。

模糊理论己成为智能技术的三大支柱之一。

（二）神经网络自适应控制

1943年，心理学家W·Mcculloch和数理逻辑学家W·Pitts在分析、总结神经元基本特性的基础上首先提出神经元的数学模型。

此模型沿用至今，并且直接影响着这一领域研究的进展。

因而，他们两人可称为人工神经网络研究的先驱。

1945年冯·诺依曼领导的设计小组试制成功存储程序式电子计算机，标志着电子计算机时代的开始。

1948年，他在研究工作中比较了人脑结构与存储程序式计算机的根本区别，提出了以简单神经元构成的再生自动机网络结构。

但是，由于指令存储式计算机技术的发展非常迅速，迫使他放弃了神经网络研究的新途径，继续投身于指令存储式计算机技术的研究，并在此领域作出了巨大贡献。

虽然，冯·诺依曼的名字是与普通计算机联系在一起的，但他也是人工神经网络研究的先驱之一。

50年代末，F·Rosenblatt设计制作了“感知机”，它是一种多层的神经网络。

这项工作首次把人工神经网络的研究从理论探讨付诸工程实践。

当时，世界上许多实验室仿效制作感知机，分别应用于文字识别、声音识别、声纳信号识别以及学习记忆问题的研究。

然而，这次人工神经网络的研究高潮未能持续很久，许多人陆续放弃了这方面的研究工作，这是因为当时数字计算机的发展处于全盛时期，许多人误以为数字计算机可以解决人工智能、模式识别、专家系统等方面的一切问题，使感知机的工作得不到重视；其次，当时的电子技术工艺水平比较落后，主要的元件是电子管或晶体管，利用它们制作的神经网络体积庞大，价格昂贵，要制作在规模上与真实的神经网络相似是完全不可能的；另外，在1968年一本名为《感知机》的著作中指出线性感知机功能是有限的，它不能解决如异感这样的基本问题，而且多层网络还不能找到有效的计算方法，这些论点促使大批研究人员对于人工神经网络的前景失去信心。

60年代末期，人工神经网络的研究进入了低潮。

另外，在60年代初期，Widrow提出了自适应线性元件网络，这是一种连续取值的线性加权求和阈值网络。

后来，在此基础上发展了非线性多层自适应网络。

当时，这些工作虽未标出神经网络的名称，而实际上就是一种人工神经网络模型。

随着人们对感知机兴趣的衰退，神经网络的研究沉寂了相当长的时间。

80年代初期，模拟与数字混合的超大规模集成电路制作技术提高到新的水平，完全付诸实用化，此外，数字计算机的发展在若干应用领域遇到困难。

这一背景预示，向人工神经网络寻求出路的时机已经成熟。

美国的物理学家Hopfield于1982年和1984年在美国科学院院刊上发表了两篇关于人工神经网络研究的论文，引起了巨大的反响。

人们重新认识到神经网络的威力以及付诸应用的现实性。

随即，一大批学者和研究人员围绕着Hopfield提出的方法展开了进一步的工作，形成了80年代中期以来人工神经网络的研究热潮。

　1985年，Ackley,Hinton，andSejnowski将模拟退火算法应用到神经网络训练中，提出了Boltzmann机，该算法具有逃离极值的优点，但是训练时间需要很长。

1986年，Rumelhart，Hinton，andWilliams提出了多层前馈神经网络的学习算法，即BP算法。

它从证明的角度推导算法的正确性，是学习算法有理论依据。

从学习算法角度上看，是一个很大的进步。

1988年，BroomheadandLowe第一次提出了径向基网络：

RBF网络。

三、课题的研究内容：

模糊控制与神经网络控制是自适应控制的两个重要的控制类型，课题将对典型的模糊控制和神经网络控制算法进行仿真分析，并验证其可行性。

.

（一）模糊自适应控制

目前，比较常用的模糊自适应控制方法有模糊PID参数自整定控制方法、基于Lyapunov稳定性理论的直接（间接）自适应模糊控制方法、基于T-s模型的模型参考自适应模糊控制方法、基于比例因子调整的模糊自适应控制方法、基于神经网络的模糊自适应控制方法等等。

模糊自适应控制方法在实际应用领域中成功解决了许多控制问题，并且随着越来越多的学者研究与实际工程中出现的新问题，将会有更多创新独特的模糊自适应控制方法被提出。

1.模糊PID比例自整定控制方法

（1）比例控制作用的特点

系统误差一旦产生，控制器立即就有控制作用，使被PID控制的对象朝着减小误差的方向变化，控制作用的强弱取决于比例系数K，。

缺点是对于具有自平衡（即系统阶跃响应终值为一有限值）能力的被控对象存在静差。

加大K，可减小静差，但K，过大，会导致系统超调增大，使系统的动态性能变坏。

（1）控制器结构

模糊PID参数自整定的设计思想是先找出PID三个参数与偏差|E|和偏差变化

|EC|之间的模糊关系，在工作中通过不断检测|E|和|EC|，再根据模糊控制原理来对参数进行自整定，结构图如下：

图1模糊PID参数自整定控制器结构图

2.基于T-S模型的模型参考自适应模糊控制方法

模型参考自适应模糊系统的结构图如下，其中被控子系统是一个包含被控对象在内的闭环子系统，自适应模糊机构根据参考模型输出与被控子系统输出之差及其变化产生一个自适应模糊信号，以控制被控子系统的输出趋于模型的输出。

图2基于T-S模型的模型参考自适应模糊控制系统结构图

（二）神经网络自适应控制

从神经网络的基本模式看,主要有:

前馈型、反馈型、自组织型及随机型神经网络[3]。

这四种类型各自具有不同的网络模型：

前馈网络中主要有BP网络及RBF网络；反馈网络主要有Hopfield网络；自组织网络主要有ART网。

当前，已经比较成熟的神经网络控制模型主要有神经自校正控制，神经PID控制，神经模型参考自适应控制，神经内膜控制等等。

（1）、神经网络自校正控制

神经自校正控制结构如图，它由两个回路组成：

（1）自校正控制器与被控对象构成的反馈回路；

（2）神经网络辨识器与控制器设计，以得到控制器的参数。

这种方案的设计思想是利用神经网络辨识器的计算估计能力对常规控制器参数进行约束优化求解,从而实现对常规控制器的参数或结构进行调整。

方框图如下：

自校正控制器

被控对象

神经辨识器

控制器设计

r u y

图3神经自校正控制结构图

可见，辨识器与自校正控制器的在线设计是自校正控制实现的关键。

（2）、神经网络PID控制

PID控制要取得好的控制效果，就必须通过调整好比例、积分和微分三种控制作用在形成控制量中相互配合又相互制约的关系，这种关系不一定是简单的“线性组合”，从变化无穷的非线性组合中可以找出最佳的关系。

神经网络所具有的任意非线性表示能力，可以通过对系统性能的学习来实现具有最佳组合的PID控制。

方框图如下：

神经网络

PID控制器

被控对象

+

rkpkikduy

-e

图4神经PID控制结构图

对于一般神经PID常采用BP算法，因BP神经网络具有逼近任意非线性函数的能力，而且结构和学习算法简单明确。

通过神经网络的自身学习、加权系数调整，从而使其稳定状态对应于某种最优控制律下的PID控制器参数。

四、设计要求、原始资料及工作安排

1、设计要求

1）首先完成简单控制系统模块的仿真分析；

2）提出自适应控制系统设计的方法；

3）建立各种自适应控制系统的仿真模型；

4）利用sinmulink对自适应控制系统模型进行仿真分析；

5）比较各种自适应控制算法的性能。

2、原始资料

1）MATLAB语言；

2）控制系统设计的基础理论；

3）Sinmulink中控制系统模块的应用；

4）S-函数的编写。

3、各阶段安排

第01周至第03周：

查找课题相关资料，完成开题报告；

第04周至第06周：

学习MATLAB语言，了解simulink仿真方法；

第07周至第09周：

学习控制系统设计的经典方法的MATLAB仿真；

第10周至第12周：

建立各种自适应控制系统的仿真模型；

第13周至第15周：

利用sinmulink对自适应控制系统模型进行仿真分析；

第16周至第18周：

总结实验结果，撰写毕业论文。

五、参考文献

[1]张静.MATLAB在控制系统中的应用[M].北京:

电子工业出版社,2008

[2]樊京，刘叔军.MATLAB在控制系统应用与实例[M].北京:

清华大学出版社,2009

[3]刘金琨.智能控制[M].北京:

电子工业出版社,2010

[4]张德丰.详解MATLAB数字信号处理[M]北京:

电子工业出版社,2008

[5]李正周.MATLAB数字信号处理与应用[M].北京:

清华大学出版社,2007

[6]韩冰，智能自适应控制技术的现状及发展[M]，科技信息.2010

[7]张秀玲神经网络自适应控制的研究进展.燕山大学学报[J]2001

指导教师意见

指导教师（签名）：

年月日

所在系（所）意见

负责人（签章）：

年月日