21、具有未知动态系统的神经控制技术解析

具有未知动态系统的神经控制技术解析

1. 高阶神经网络在系统识别中的应用

近年来，高阶神经网络在系统识别及相关问题中的应用取得了显著成果。研究表明，所提出的神经网络能够对大量的动态系统进行近似和识别。这些神经网络具有全局收敛、稳定且鲁棒的学习法则。特别值得注意的是，其结构在权重上是线性的，这意味着误差函数只有一个最小值，与存在多个局部最小值的多层神经网络形成鲜明对比。

此外，这些神经网络架构还具备其他有趣的特性，如稳定性、鲁棒性，以及解决系统识别之外的问题的能力，例如机器人接触表面的估计、未知概率分布的估计和未知非线性动态系统的通用稳定等。而且，相关研究已成功将递归高阶神经网络（RHONNs）应用于电视电缆放大器设备的故障检测和识别。

2. 未知动态系统的神经控制背景

随着科技发展，基于自然神经行为的计算模型受到广泛关注。这些模型具有隐式并行性、与分布式内存兼容，且设计过程不依赖于计算过程的解析模型。模拟VLSI、光学计算等技术的进步，使得非标准计算结构成为可能，进一步激发了人们对人工神经网络及其在广泛问题中应用的兴趣。

在离散时间动态系统的反馈控制器设计方面，以往的研究主要采用两种方法。一种是利用神经网络合成复杂非线性函数的能力，实现部分已知非线性动态系统的状态空间控制律。这种方法大多使用迭代离线技术开发神经控制器，然后将其插入传统反馈结构中。然而，迭代参数调整计算速度慢，且无法保证收敛性，在线调整参数时还可能引入与过程动态耦合的风险。另一种方法是对状态空间中的紧凑区域进行分解，设计神经网络将子区域映射到控制选择，以确保系统稳定性和沿参考轨迹运动。但这种方法至少需要部分了解工厂动态并访问工厂状态变量。

3. 本研