关于通过确定性学习对未知MIMO非线性系统进行动态建模和神经控制的新研究结果

《Science China-Information Sciences》:New results on dynamic modeling and neural control for unknown MIMO nonlinear systems via deterministic learning

【字体: 大 中 小 】 时间:2026年05月14日 来源:Science China-Information Sciences 7.6

编辑推荐:

  摘要确定性学习(DL)使得基于神经网络(NN)的学习控制能够应用于单输入单输出(SISO)非线性系统,并通过所学知识有效提升控制性能。本文的重点是将DL扩展到复杂的多输入多输出(MIMO)非线性系统,并首次为这类系统的神经学习与控制提供了严格的理论分析。所提出的方案为复杂的未知M

  

摘要

确定性学习(DL)使得基于神经网络(NN)的学习控制能够应用于单输入单输出(SISO)非线性系统,并通过所学知识有效提升控制性能。本文的重点是将DL扩展到复杂的多输入多输出(MIMO)非线性系统,并首次为这类系统的神经学习与控制提供了严格的理论分析。所提出的方案为复杂的未知MIMO系统构建了一个真正的基于NN的学习与智能控制框架,使它们能够以类似于人类学习的方式通过自适应控制进行学习,同时将获得的知识存储下来以用于后续的控制任务。多个子系统之间的耦合在每个系统层面引入了复杂且未知的交互项,这给MIMO系统的稳定性分析和学习过程验证带来了巨大挑战。为了解决这个问题,我们设计了一种自适应神经控制策略,以确保所有信号的均匀有界性和满意的跟踪性能。随后,为了解决MIMO系统学习的难题,我们提出了一种非顺序递归学习证明方法。通过设计选择函数并利用DL理论,我们证明了耦合NN输入的持续激励(PE)属性。此外,通过状态变换,我们构建了具有耦合互连的闭环线性时变(LTV)系统,并严格证明了它们的指数稳定性,从而能够准确近似不确定的耦合非线性动态。最后,利用所学知识,我们构建了一个基于知识的学习控制器,显著提升了闭环控制性能。仿真结果验证了所提方法的有效性。

确定性学习(DL)使得基于神经网络(NN)的学习控制能够应用于单输入单输出(SISO)非线性系统,并通过所学知识有效提升控制性能。本文的重点是将DL扩展到复杂的多输入多输出(MIMO)非线性系统,并首次为这类系统的神经学习与控制提供了严格的理论分析。所提出的方案为复杂的未知MIMO系统构建了一个真正的基于NN的学习与智能控制框架,使它们能够以类似于人类学习的方式通过自适应控制进行学习,同时将获得的知识存储下来以用于后续的控制任务。多个子系统之间的耦合在每个系统层面引入了复杂且未知的交互项,这给MIMO系统的稳定性分析和学习过程验证带来了巨大挑战。为了解决这个问题,我们设计了一种自适应神经控制策略,以确保所有信号的均匀有界性和满意的跟踪性能。随后,为了解决MIMO系统学习的难题,我们提出了一种非顺序递归学习证明方法。通过设计选择函数并利用DL理论,我们证明了耦合NN输入的持续激励(PE)属性。此外,通过状态变换,我们构建了具有耦合互连的闭环线性时变(LTV)系统,并严格证明了它们的指数稳定性,从而能够准确近似不确定的耦合非线性动态。最后,利用所学知识,我们构建了一个基于知识的学习控制器,显著提升了闭环控制性能。仿真结果验证了所提方法的有效性。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号