具有奇异特性的多模型混杂系统的神经网络控制研究

For the essential characteristics of the multi-models hybrid systems with singular characteristics (for example, the current state of the system may be go beyond the sum of state space of existing every sub-model, certain switching or transferring in probability between from a sub-model to another, as well as randomly exterior disturbance, etc.), a new theory and method, which is with regard to neural network adaptive hybrid control of such system, is investigated via the combination of powerful learning and nonlinear approximation ability of neural network as well as the traditional adaptive control and existing hybrid control. Aim at Singular multi-models hybrid object with different structure, we will design the reasonable neural network architectures and adaptive neural network hybrid control algorithm so that such system can be modeled quickly and accurately, adjusted online and optimized; a new multi-modal neural network hybrid control system with better performance and more adaptive characteristics is designed; the adaptive robust hybrid control decision-making strategy of such hybrid control system, which exists in the modeling errors, switching impulsion and singular characteristics, is discussed in-depth. The development of intelligent control and hybrid systems control would be accelerated in theory via the research of this subject. Furthermore, the control and design of hybrid dynamic systems can be also promoted from a certain role.

针对具有奇异特性的多模态混杂系统的本质特征（系统的当前状态可能会超出现有各子模态所构成的状态空间、各子模型之间进行确定切换或以概率转移以及随机的外部干扰等），利用神经网络强大的学习能力和非线性逼近能力，结合传统自适应控制和现有混杂控制理论和方法，研究具有奇异特性的多模态混杂系统的神经网络自适应混杂控制新理论和新方法。针对具有不同结构的奇异多态型混杂对象，设计合理的神经网络结构和自适应神经网络混杂控制算法，快速准确地对该类系统进行多模态建模和在线调整以及模型优化的研究；设计性能更好的、更具"自适应" 特性的新的多模态神经网络混杂控制系统；研究该类混杂控制系统中同时存在建模误差、切换脉冲和奇异特性等特征的自适应鲁棒混杂控制决策策略。通过本课题的研究，努力在理论上发展智能控制理论以及混杂系统新的控制方法和思想，对混杂系统的控制与设计起一定的推动作用。

针对具有广义子模态、Markov特性、半Markov特性以及指数不确定等奇异特征的多模态切换非线性系统，项目组利用神经网络的学习能力和非线性逼近能力，结合传统自适应控制和现有混杂控制理论和方法，深入研究其神经网络控制问题。对于具有广义子模态的多模型混杂系统，利用单隐层前馈神经网络进行建模，给出了基于模型的切换神经网络控制器的设计算法，并确保整个系统达到规定的性能；对于具有Markov特性的多模态混杂非线性系统，利用单隐层前馈神经网络进行建模，基于超限学习机（ Extreme Learning Machine） ，快速准确选取适合每个子模型的最佳神经网络结构模型，给出了模型选择优化算法，得到表征系统性能的最少神经网络模型个数，进一步设计相应的神经网络控制器以使整个系统达到规定的性能指标要求；对于具有Markov特性和半Markov特性的指数不确定多模型混杂系统，基于能量衰减原理和泰勒逼近方法，给出了控制设计算法。并将上述理论成果应用于目标约束规划、目标跟踪、气体传感器的设计等问题中。基于上述成果，发表学术论文21篇，其中，国际学术期刊杂志论文10篇，国际会议论文11篇，被SCI、EI检索21篇，已完成了项目的研究目标。