[發(fā)明專利]基于Backlash算子和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波器

有效

• 申請?zhí)枺?/td>: 201010547867.0
• 申請日: 2010-11-17
• 公開（公告）號: CN101986564A
• 公開（公告）日: 2011-03-16
• 發(fā)明（設(shè)計）人: 劉向東;耿潔;陳振;賴志林
• 申請（專利權(quán)）人: 北京理工大學(xué)
• 主分類號: H03H17/02
• 分類號: H03H17/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于Backlash算子和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波器以及其對蠕變遲滯系統(tǒng)的建模方法，屬于非線性遲滯蠕變系統(tǒng)建模技術(shù)領(lǐng)域。

背景技術(shù)

近年來，由智能材料構(gòu)成的傳感器與執(zhí)行器在精密加工和精確定位系統(tǒng)中得到了廣泛的應(yīng)用。但智能材料的遲滯與蠕變等非線性特性使這些系統(tǒng)的重復(fù)性降低、瞬態(tài)響應(yīng)速度變慢、控制精度下降甚至使閉環(huán)系統(tǒng)不穩(wěn)定，并且增加了控制器設(shè)計的難度。這些問題使得經(jīng)典控制理論和現(xiàn)代控制理論都難以對其實施有效控制，所以需要提出特定的建模與控制方法解決該領(lǐng)域的問題。要對蠕變遲滯非線性進行補償以實現(xiàn)精確控制，首先需要建立精確的非線性模型，然后在模型的基礎(chǔ)上提出控制補償方法。

對于蠕變遲滯非線性對象，目前Krasnoselskii-Pokrovskii(KP)模型、Jiles-Atherton(JA)模型、Preisach模型、Duhem模型、Prandtl-Ishlinskii(PI)模型等多種建模方法已被提出，目前存在的建模方法大都實現(xiàn)較復(fù)雜，不利于實際應(yīng)用。PI模型用斜坡函數(shù)特性的遲滯元進行疊加來逼近遲滯特性，由于其結(jié)構(gòu)簡單，故可以解析的求逆，較多地應(yīng)用于實時控制。基于Backlash遲滯算子的遲滯模型屬于PI模型，這種模型由一系列Backlash算子加權(quán)疊加組成。這類方法所采用的Backlash算子遲滯特性參數(shù)的確認(rèn)缺乏有效手段，模型結(jié)構(gòu)多采用離線神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)比較復(fù)雜，需要大量訓(xùn)練樣本，當(dāng)數(shù)據(jù)不充分的時候，就無法進行工作。目前對蠕變非線性對象進行建模多采用對數(shù)形式或蠕變算子疊加的形式，實現(xiàn)較為復(fù)雜。

自適應(yīng)濾波器可以用于自適應(yīng)對象建模。最常用的橫向濾波器結(jié)構(gòu)由可變加權(quán)的抽頭延遲線、一個加法器和一個自適應(yīng)過程所構(gòu)成。這些權(quán)系數(shù)的輸入信號就是在各延遲抽頭線上的信號，用一個加法器將這些加權(quán)后的信號相加，再由一個LMS自適應(yīng)過程自動搜尋調(diào)節(jié)這些權(quán)系數(shù)。該方法結(jié)構(gòu)簡單，計算速度快，自適應(yīng)能力強，非常便于計算機模擬以及硬件實現(xiàn)。但是該濾波器對具有蠕變遲滯非線性的對象進行建模的精度較差。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有Backlash算子疊加建模方法實現(xiàn)復(fù)雜以及時間延遲線橫向自適應(yīng)濾波器對遲滯非線性進行建模時精度不足的問題，參考橫向自適應(yīng)濾波器的結(jié)構(gòu)，提出了一種基于Backlash算子和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波器及其對遲滯蠕變系統(tǒng)的建模方法。

一種基于Backlash算子和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波器包括蠕變模塊、多個相同寬度的Backlash算子模塊、神經(jīng)網(wǎng)絡(luò)模塊以及誤差計算模塊，本自適應(yīng)濾波器的結(jié)構(gòu)框圖如圖1所示，其中：

蠕變模塊的輸入與自適應(yīng)濾波器的信號輸入相連，蠕變模塊的輸出連接到第一個Backlash算子模塊，Backlash算子如圖2所示。蠕變模塊用于模擬蠕變非線性，形式為一個一階慣性環(huán)節(jié)其中K和T_S的數(shù)值由具體非線性系統(tǒng)上的實驗獲得。

多個相同寬度的Backlash算子模塊連接成串聯(lián)結(jié)構(gòu)，蠕變模塊的輸出與第一個Backlash算子模塊相連，串聯(lián)的相鄰兩個Backlash算子模塊之間的信號被引出，作為神經(jīng)網(wǎng)絡(luò)模塊的輸入信號。

神經(jīng)網(wǎng)絡(luò)模塊為三層結(jié)構(gòu)，包括兩個隱層以及一個輸出層，每一層包括多個自適應(yīng)神經(jīng)元模塊(包括自適應(yīng)加權(quán)模塊、加法器模塊以及激勵函數(shù)模塊)，神經(jīng)網(wǎng)絡(luò)模塊的輸出即為整個濾波器的輸出。神經(jīng)網(wǎng)絡(luò)模塊的結(jié)構(gòu)如圖2所示，自適應(yīng)神經(jīng)元的結(jié)構(gòu)如圖3所示。神經(jīng)網(wǎng)絡(luò)模塊的輸出同時與誤差計算模塊的一路輸入相連，誤差計算模塊的另一路輸入是濾波器的期望輸出信號即目標(biāo)信號。

誤差計算模塊有兩路輸入，分別為前述的神經(jīng)網(wǎng)絡(luò)模塊輸入和濾波器的期望輸出信號即目標(biāo)信號，誤差計算模塊的輸出則連接到神經(jīng)網(wǎng)絡(luò)模塊用于調(diào)節(jié)自適應(yīng)神經(jīng)元模塊中的自適應(yīng)權(quán)值。

其中神經(jīng)網(wǎng)絡(luò)模塊的功能為將各個算子進行加權(quán)值疊加得到第

一、第二隱層神經(jīng)元的輸出：并得出濾波器輸出為：

其中，為第一隱層第i個神經(jīng)元的輸出，為第二隱層第j個神經(jīng)元的輸出；P_rm[x(k)]表示串聯(lián)Backlash算子結(jié)構(gòu)中的第m個寬度為r的Backlash算子模塊的輸出，表示第m個Backlash算子的輸出與第一隱層第i個神經(jīng)元之間的權(quán)值，表示神經(jīng)網(wǎng)絡(luò)模塊第一隱層第i個神經(jīng)元與第二隱層第j個神經(jīng)元之間的權(quán)值，表示神經(jīng)網(wǎng)絡(luò)模塊第二隱層第j個神經(jīng)元與輸出神經(jīng)元之間的權(quán)值。

誤差計算模塊的功能為計算期望輸出y(k)與實際濾波器輸出y′(k)的誤差e(k)＝y(tǒng)(k)-y′(k)，其結(jié)果供神經(jīng)網(wǎng)絡(luò)模塊調(diào)整其內(nèi)部的自適應(yīng)權(quán)值。