| 【中文题名】 | 基于神经网络的混沌控制方法研究 |
| 【英文题名】 | |
| 【学科专业】 | 通信与信息系统 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-24 |
| 【中关键词】 | 混沌控制,神经网络,参数扰动控制,非线性补偿控制,反向传播,径向基函数 |
| 【英关键词】 | chaos control,neural network,parameter disturb control,nonlinear compensate control,backpropagation,radial basis function,genetic arithmetic,support vector machines, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
自20世纪90年代以来,尤其是OGY方法发现以来,混沌控制的研究引起了学者与工程师们的浓厚兴趣。在混沌控制领域,人们主要做了两方面的工作,控制方法的理论研究和应用研究。比较成熟的混沌控制方法有:开环控制、线性非线性控制、智能控制、参数扰动控制、时延反馈、模糊控制等。
神经网络有良好的非线性逼近性能,适合用来控制混沌系统。本文所作的主要工作是,利用神经网络的非线性逼近能力,结合参数扰动控制和非线性补偿控制方法,分别针对混沌系统实施控制。这些工作主要体现在:
首先综述混沌控制的方法,理解控制混沌的本质,结合神经网络的特点,找到利用神经网络控制混沌的方法。总结利用神经网络结合参数扰动控制和非线性补偿控制的方法,并建立数学模型。
其次研究利用反向传播算法网络、径向基函数网络和利用遗传算法训练网络进行函数逼近。在参数扰动控制模型中,利用这三种网络逼近扰动控制模型;在非线性补偿控制用这三种网络逼近系统非线性部分。并且分别针对离散和连续混沌系统分别进行控制。
再次在数值仿真的基础上,分析三种算法的收敛性、抗干扰能力、泛化能力和局限性。
最后提出一种支持向量机训练神经网络的混... |
| 【论文题纲】 |
|
摘要 |
3-4 |
|
Abstract |
4-9 |
|
第1章 绪论 |
9-19 |
|
1.1 引言 |
9-10 |
|
1.2 混沌控制的基本方法 |
10-16 |
|
1.3 混沌控制的应用 |
16-17 |
|
1.4 本文研究内容 |
17-19 |
|
第2章 神经网络控制混沌基本理论 |
19-26 |
|
2.1 基本知识 |
19-22 |
|
2.1.1 神经网络结构 |
19-20 |
|
2.1.2 神经网络学习规则 |
20-21 |
|
2.1.3 基于神经网络的函数逼近 |
21-22 |
|
2.2 神经网络控制混沌基本方法 |
22-25 |
|
2.2.1 逼近控制器控制方法 |
22-23 |
|
2.2.2 补偿控制方法 |
23-25 |
|
2.3 本章小结 |
25-26 |
|
第3章 反向传播网络控制混沌 |
26-35 |
|
3.1 基本知识 |
26-28 |
|
3.2 离散混沌控制 |
28-30 |
|
3.2.1 控制结构 |
28-29 |
|
3.2.2 控制算法 |
29-30 |
|
3.2.3 仿真结果 |
30 |
|
3.3 连续混沌系统控制 |
30-32 |
|
3.3.1 控制结构 |
30-31 |
|
3.3.2 控制算法 |
31 |
|
3.3.3 仿真结果 |
31-32 |
|
3.4 分析与讨论 |
32-34 |
|
3.4.1 收敛性分析 |
32-33 |
|
3.4.2 抗干扰能力分析 |
33 |
|
3.4.3 泛化能力 |
33-34 |
|
3.4.4 局限性 |
34 |
|
3.5 本章小结 |
34-35 |
|
第4章 径向基函数网络控制混沌 |
35-43 |
|
4.1 径向基函数网络基本知识 |
35-37 |
|
4.1.1 网络结构 |
35-36 |
|
4.1.2 学习算法 |
36-37 |
|
4.2 离散混沌控制 |
37-39 |
|
4.2.1 控制结构 |
37 |
|
4.2.2 控制算法 |
37-38 |
|
4.2.3 仿真结果 |
38-39 |
|
4.3 连续混沌控制 |
39-41 |
|
4.3.1 控制结构 |
39 |
|
4.3.2 控制算法 |
39-40 |
|
4.3.3 仿真结果 |
40-41 |
|
4.4 分析与讨论 |
41-42 |
|
4.4.1 稳定性分析 |
41 |
|
4.4.2 抗干扰能力 |
41-42 |
|
4.4.3 泛化能力 |
42 |
|
4.4.4 局限性 |
42 |
|
4.5 本章小结 |
42-43 |
|
第5章 基于遗传算法的神经网络控制混沌 |
43-53 |
|
5.1 遗传算法基础知识 |
43-47 |
|
5.1.1 引言 |
43-45 |
|
5.1.2 标准遗传算法 |
45-46 |
|
5.1.3 遗传算法训练网络 |
46-47 |
|
5.2 离散混沌控制 |
47-49 |
|
5.2.1 控制结构 |
47 |
|
5.2.2 控制算法 |
47-48 |
|
5.2.3 仿真结果 |
48-49 |
|
5.3 连续混沌控制 |
49-51 |
|
5.3.1 控制结构 |
49 |
|
5.3.2 控制算法 |
49-50 |
|
5.3.3 仿真结果 |
50-51 |
|
5.4 分析与讨论 |
51-52 |
|
5.4.1 稳定性分析 |
51 |
|
5.4.2 抗干扰能力 |
51-52 |
|
5.4.3 泛化能力 |
52 |
|
5.4.4 局限性 |
52 |
|
5.5 本章小结 |
52-53 |
|
第6章 基于支持向量机的混沌控制 |
53-63 |
|
6.1 支持向量机理论 |
53-55 |
|
6.1.1 线性模型的逼近 |
53-54 |
|
6.1.2 非线性模型逼近 |
54-55 |
|
6.1.3 支持向量机的神经网络 |
55 |
|
6.2 离散混沌控制 |
55-57 |
|
6.2.1 控制结构 |
55 |
|
6.2.2 控制算法 |
55-56 |
|
6.2.3 仿真结果 |
56-57 |
|
6.3 连续混沌控制 |
57-58 |
|
6.3.1 控制结构 |
57 |
|
6.3.2 控制算法 |
57-58 |
|
6.3.3 仿真结果 |
58 |
|
6.4 分析与讨论 |
58-60 |
|
6.4.1 稳定性分析 |
58-59 |
|
6.4.2 抗干扰能力 |
59-60 |
|
6.4.3 泛化能力 |
60 |
|
6.4.4 局限性 |
60 |
|
6.5 本章小结 |
60-63 |
|
第7章 结束语 |
63-65 |
|
7.1 总结 |
63 |
|
7.2 展望 |
63-65 |
|
参考文献 |
65-69 |
|
硕士期间发表论文 |
69-70 |
|
致谢 |
70 |
|
| 【DOI】 | LunWen.ID:2.2008.388875 |