[發明專利]一種基于改進極限學習機的非線性逆模型控制方法

有效

• 申請號: 201410508005.5
• 申請日: 2014-09-28
• 公開（公告）號: CN104317195B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 唐賢倫;劉念慈;張莉;陳龍;劉想德;張毅
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 重慶市恒信知識產權代理有限公司50102
• 代理人: 劉小紅

1.一種基于改進極限學習機的非線性逆模型控制方法，其特征在于，包括以下步驟：

101、對多Agent粒子群算法MAPSO進行種群初始化，即設置多Agent粒子群算法MAPSO的相關運行參數、種群規模、環境大小、迭代次數、權重上下限；

102、根據步驟101，利用MAPSO對極限學習機的輸入權重參數及隱含層閾值參數進行MAPSO尋優，確定出優化后的極限學習機ELM的輸入權重參數及隱含層閾值參數；

103、根據步驟102中得到的優化后的極限學習機ELM，采用優化后的極限學習機ELM對被控對象的逆進行訓練并直接建立逆模型；

104、將訓練好的MAPSO-ELM逆模型直接與原系統即被控對象相連，得到偽線性系統，進行非線性逆模型控制，結束。

2.根據權利要求1所述的基于改進極限學習機的非線性逆模型控制方法，其特征在于，步驟101中的多Agent粒子群算法MAPSO具體包括以下步驟：

A1、種群初始化，設置運行參數，包括迭代次數、種群規模、加速度系數、粒子位置和速度及其上下限、最小誤差限制；

A2、根據適應度函數其中y_i,y_i'分別代表ELM訓練輸出值和期望輸出值，N為樣本數，計算當前粒子適應度值；

A3、根據鄰居信息，更新粒子的個體最優位置，每個粒子預設置一個鄰居環境，假設當前粒子為L_i,j，將其和所有鄰居粒子中具有最小適應度值的粒子K_i,j比較，若不滿足式(1)就根據式(2)更新其位置，否則保持其當前位置不變；

f(L_i,j)≤f(K_i,j)???(1)

l'_k＝k_k+rand(-1,1)·(k_k-l_k)k＝1,2,...,n???(2)

A4、根據式(3)更新粒子的位置和速度，

vt+1=wt·vt+C1·r1·(pBest-xt)+C2·r2·(gBest-xt)xt+1=xt+vt+1---(3)]]>

其中，t表示迭代次數，x_t和v_t分別表示第t次迭代時粒子的空間位置和當前速度，w_t為慣性常數，w_t由0.9線性遞減至0.4，C₁、C₂為學習因子，都選取為1.5，r1、r2是介于(0,1)之間的隨機數，p_best和g_best分別表示粒子在每次迭代中為了更新自己而跟蹤的個體極值和全局極值；

A5、判斷是否迭代次數達到上限或誤差小于最小誤差限制，若滿足則算法終止，否則轉至步驟A2。