[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

技術領域

本發明涉及涉及一種非線性系統逆模型控制方法，尤其涉及一種基于多Agent粒子群(MAPSO)優化極限學習機參數的非線性系統逆模型控制方法。

背景技術

逆系統方法是一種反饋線性化解耦方法，在系統的逆存在前提下尋找其逆模型，并與原系統串聯構成偽線性系統，從而完成反饋線性化。目前，應用于非線性系統逆模型控制中的常用方法有神經網絡、支持向量回歸(SVR)算法等方法。這些算法雖然使逆模型控制在非線性系統中的應用取得了較好的效果，但是，由于這些算法自身的局限性(神經網絡結構類型的選擇都基于經驗選取，存在局部最優等問題，SVR算法存在魯棒性、稀疏性和大規模運算等問題)，使得過學習、訓練速度慢及局部最小值等問題無法避免。

極限學習機(ELM)是一種簡單易用的單隱含層前饋神經網絡(SLFN)學習算法。基于輸入權重及隱含層閾值隨機產生且無需調整的ELM可以很好地解決訓練速度慢、過學習、局部最小值等問題。

本發明提出一種基于改進極限學習機(MAPSO-ELM)的非線性系統逆模型控制方法。該算法的主要思想是首先引入MAPSO優化算法訓練選取合適的ELM輸入權重及隱含層閾值，有效避免隨機初始化ELM引起的預測精度不穩定、泛化能力低等問題，然后利用MAPSO-ELM對被控對象的逆直接建模，解決非線性系統逆模型建模困難問題，最后將訓練好的MAPSO-ELM逆模型直接與原系統復合即可實現對非線性系統的預測控制。

發明內容

針對以上現有技術中的不足，本發明的目的在于提供一種提高預測精度及泛化能力的同時改善算法的整體性能的基于改進極限學習機的非線性逆模型控制方法。本發明的技術方案如下：

一種基于改進極限學習機的非線性逆模型控制方法，其包括以下步驟：

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。

進一步的，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，