×
周玉阳;王爱萍;周，平;王红（Wang，Hong）;柴天佑

基于RBF驱动的扩展卡尔曼滤波非线性补偿的非线性随机系统动态性能增强。 （英语） Zbl 1430.93214号

Automatica公司 112，文章ID 108693，15 p.（2020）.
摘要：针对一类状态不可测的非线性非高斯随机动态过程，提出了一种新的混合控制方法，以提高基于比例积分（PI）的控制系统的跟踪性能。由于系统是非线性的，并且受到非高斯噪声的影响，系统性能通过跟踪误差熵来表示。由于噪声的精确统计特性不适用于许多工业过程，因此采用著名的核密度估计（KDE）技术来估计熵。由于在许多工业情况下PI控制器的增益是固定的，因此在不改变现有闭环PI控制器的情况下设计了补偿控制器。此外，利用扩展卡尔曼滤波器（EKF）估计的状态和径向基函数（RBF）神经网络实现的非线性补偿来形成补偿信号。训练RBF的权重以最小化闭环跟踪误差的熵。讨论了RBF网络的收敛性，并从均方意义上分析了由此产生的闭环控制系统的稳定性。最后，通过两个数值算例和一个实际系统仿真，验证了该控制方法的有效性。

引用于三文件

MSC公司：

93E11号机组 随机控制理论中的滤波
93E15型 控制理论中的随机稳定性
93立方厘米 控制理论中的非线性系统

关键词：

非高斯随机非线性系统;最小熵准则;RBF神经网络;核密度估计;扩展卡尔曼滤波器;跟踪性能增强
PDF格式BibTeX公司 XML格式引用
\textit{Y.Zhou}等人，Automatica 112，文章ID 108693，15 p.（2020；Zbl 1430.93214）
全文： 内政部 链接

参考文献：

[1] Alwan，Mohamad S。；刘新志，随机混合动力系统的最新研究成果，控制与决策杂志，3，1，68-103（2016）
[2] 柴天佑；贾、姚；王红；Su，Chun-yi，使用信号补偿方法的工业供热过程双速率自适应控制，IFAC-PapersOnLine，50，1，1877-1884（2017）
[3] 柴天佑；张亚军；王红；苏春怡；孙静，基于数据的虚拟未建模动态驱动多变量非线性自适应切换控制，IEEE神经网络汇刊，22，12，2154-2172（2011）
[4] Mike J.Grimble。；Majecki，Pawel，非线性预测广义最小方差控制的多项式方法，IET控制理论与应用，4，3，411-424（2010）·Zbl 1200.93069号
[5] 科拉多·格罗斯；埃米利亚诺·科斯塔；Biancolini，Marco Evangelos，基于RBF的网格变形方法，用于在航空部门、飞机工程和航空航天技术中进行结冰模拟（2019）
[6] Randa Herzallah，《面对更高水平的复杂性和不确定性，提高智能控制系统的性能》，《国际建模、识别和控制杂志》，12，4，311-327（2011）·Zbl 1213.93204号
[7] Herzallah，Randa，非线性随机控制系统的概率DHP自适应批评，神经网络，42，74-82（2013）·Zbl 1293.93795号
[8] Randa Herzallah；David Lowe，多值控制问题和混合密度网络，（IFAC智能控制系统和信号处理国际会议（第1卷）（第3期）（2003年），Elsevier），387-392
[9] Herzallah，Randa，&Lowe，David（2006年）。函数不确定性非线性系统的贝叶斯自适应控制。《Controlo》（第1卷）·Zbl 1013.68963号
[10] Hwu，K.I。；Yau，Y.T.，基于PID控制器和线性-非线性转换器的升压变换器性能增强，IEEE电力电子学报，25，5，1351-1361（2010）
[11] Jacobson，David，具有指数性能准则的最优随机线性系统及其与确定性微分对策的关系，IEEE自动控制汇刊，18，2124-131（1973）·兹伯利0274.93067
[12] 贾、建芳、刘、太原、岳、洪和王、洪（2006）。一般动态随机系统的最小熵控制算法。《创新计算、信息和控制》，2006年。2006年国际商会。第一次国际会议（第1卷）（第368-372页）。电气与电子工程师协会。
[13] Khadraoui，S。；Fnaiech，医学硕士。；努努，H.N。；努努，M.N。；古津斯基，J。；Abu-Rub，H.，调节PID控制器的基于测量的控制方法：在感应电机中的应用，控制与决策杂志，3，3，179-196（2016）
[14] 伊曼纽尔·帕尔岑（Emanuel Parzen），《概率密度函数和模型的估计》，《数理统计年鉴》（The Annals of Mathematical Statistics），33，3，1065-1076（1962）·Zbl 0116.11302号
[15] 巴特·皮特斯；De Roeck，Guido，《用于操作模态分析的随机系统识别：综述》，《动态系统、测量与控制杂志》，123，4，659-667（2001）
[16] 奥斯特罗姆，卡尔·约翰；Hägglund，Tore，PID控制的未来，控制工程实践，9，11，1163-1175（2001）
[17] 任、米峰；程婷；程澜；严高伟；张建华，具有未建模动力学的非高斯系统的单神经元控制器，（Control（Control），2016年UKACC第11届国际会议，IEEE），1-6
[18] 任、米峰；张建华；Wang，Hong，使用广义密度演化方程的非线性多变量和非高斯系统的最小化跟踪误差随机性控制，IEEE自动控制汇刊，59，9，2486-2490（2014）·Zbl 1360.93655号
[19] Silverman，Bernard W.，《统计和数据分析的密度估计》（第26卷）（1986年），CRC出版社·Zbl 0617.62042号
[20] Srinivasan，D。；Ng，W.S。；Liew，A.C.，基于神经网络的谐波源识别签名识别，IEEE输电交易，21，1，398-405（2006）
[21] Wang，Hong，《有界动态随机系统：建模与控制》（2012），Springer Science&Business Media
[22] 魏，李；张焕水；Fu，Minyue，带乘性噪声随机离散时间系统的量化镇定，国际鲁棒与非线性控制杂志，23，6，591-601（2013）·Zbl 1273.93171号
[23] 吴宗泽；彭思源；马文涛；巴东陈；Principe，Jose C.，《具有稀疏惩罚约束的最小误差熵算法》，《熵》，17，5，3419-3437（2015）
[24] 夏元庆；傅、蒙阴；石鹏；吴兆景；张金辉，随机跳跃系统的自适应反推控制器设计，IEEE自动控制汇刊，54，12，2853-2859（2009）·Zbl 1367.93131号
[25] 岳红；王红，动态随机系统闭环跟踪误差的最小熵控制，IEEE自动控制汇刊，48,1118-122（2003）·Zbl 1364.93873号
[26] 张建华；Kuai、Yamin；周树清；侯国联；Ren，Mifeng，双输入双输出网络控制系统的改进最小熵控制，（control（control），2016年UKACC第11届国际会议（2016年），IEEE），1-5
[27] 张建华；任、米峰；Wang，Hong，非线性和非高斯双输入双输出动态随机系统的最小熵控制，IET控制理论与应用，6，15，2434-2441（2012）
[28] 张建华；Wang，Hong，基于迭代学习的随机通信时滞机器人最小跟踪误差熵控制器，IET控制理论与应用，2，8，682-692（2008）
[29] 张建华；张芬芳；任、米峰；侯国联；Fang，Fang，采用神经PID控制器的过热蒸汽温度串级控制，ISA Transactions，51，6778-785（2012）
[30] 周静林；王红；周东华，采用混合特征函数的PDF跟踪滤波器设计，（美国控制会议，2008（2008），IEEE），3046-3051
[31] 周玉阳；张启春；Wang，Hong，通过在现有闭环控制中添加额外的状态估计来增强随机系统的性能控制器设计，（控制（control），2016年UKACC第11届国际会议（2016年），IEEE），1-6
[32] 周玉阳；张启春；王红；周平；Chai，Tianyou，基于EKF的非线性随机系统增强性能控制器设计，IEEE自动控制汇刊，63，4，1155-1162（2018）·Zbl 1390.93741号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。