| 标题 | 自动巡航汽车自适应逆控制的建模与仿真 |
| 范文 | 李世一 解淑英 杜绍研 摘 要： 研究神经网络非线性系统的自适应建模和逆建模策略用于非线性的自动巡航系统的控制及可行性。通过对自适应逆控制方法与现行的反馈控制、模糊控制、PID控制进行对比，并在有干扰的情况下系统需要一定的收敛时间，通过运用Matlab软件进行仿真。根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。因此，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 关键词： 自动巡航汽车； 自适应逆控制； 神经网络； 非线性系统 中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）06?0019?02 由测速装置、转向角传感器、车速传感器等部件组成的巡航控制系统是现今的汽车巡航控制系统的主体部分，自动巡航控制系统的研究是近些年来国内外研究的主要方向。当道路情况良好时，该系统就与普通的巡航系统大致相同；当行驶的汽车速度较高或者是行驶过程中与前一辆车之间的距离较近时，通过感应，系统就会适当减速，以避免追尾事件[1]。国内有多所高校和科研单位已经开始从事汽车自动巡航控制系统的研究[2?4]。目前，汽车自动巡航控制系统的控制策略有多种，其主要有PID调节方式、自适应控制、模糊控制等。汽车巡航控制系统中的模糊控制器不需要精确的数字，也不需要精准的数学模型，其数据主要来源于该汽车设定的车速与实际车速的偏差和变化率，因此该系统的确定就使得其规则和隶属函数不能随外界参数的变化而进行调整。 1 自适应逆控制与现行控制技术比较 自适应逆控制[5]是通过运用自适应滤波方法来辨别被控对象的逆模型来实现精确控制的。通过该对象本身传递函数的逆（控制器）来驱动对象，并以此来控制对象的动态性能，是一种前馈控制。传统的反馈和自适应控制中针对噪声和扰动的控制都是通过从输出到输入的负反馈，设计中只能在扰动消除和系统动态特性之间进行折中。但对于自适应逆控制而言，对扰动的控制和对象动态特性的控制是两个单独的单元，可以互不干扰。模糊控制，即通过运用模糊数学，系统性的模仿人工控制活动的策略。汽车巡航控制器通过模糊判断以及模糊控制规则来设定汽车的实际车速[6]。PID控制是根据实际车速与设定车速的偏差来实现汽车不变参数的巡航控制。PID控制优点较多，但对于特性复杂的时变或非线性的过程，如果出现参数调整不当等现象，会使得系统不停地振荡以至于控制效果不佳。神经网络自适应控制系统在逼近非线性函数方面具有极大的优越性[7?8]。动态神经网络可作为一类非线性自适应滤波器，可用于非线性自适应逆控制系统的对象的正向和逆向建模控制。因此，本文将以非线性自适应逆控制研究为基础，设计出较为合理的动态神经网络结构。 2 神经网络非线性系统逆建模结构 直接法和间接法是神经网络建立非线性系统逆建模运用的主要辨识结构。本文通过间接法，针对对象模型，运用非线性系统辨识的方法建立对象逆模型，如图1所示。其中，DAFNN?1是根据在线建立的被控对象动态神经网络模型，DAFNN?2是根据参考模型建立的被控对象的逆模型，即系统控制器。在建模和逆建模的过程中，利用S函数的倾斜度来调整DAFNN?1和DAFNN?2的输出层权值，达到实时跟踪的效果。 3 非线性系统神经网络逆建模仿真研究 为说明神经网络自适应逆控制系统的工作性能，对如下非线性系统进行仿真实验： 令参考模型为[d（k）=sin（r（k）100）]（k=1：4 000），dist为白噪声干扰，DAFNN?2（l）隐层包含5个神经元，DAFNN?2（2）隐层包含8个神经元，可得到下列仿真结果如图2，图3所示。 根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。总体可见，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 4 结 语 本文基于目前国内外对汽车自动巡航系统的综合考研，设定了基于神经网络结构的非线性控制系统，并通过对一个非线性系统的仿真具体分析得到了较为良好的控制效果。通过仿真结果分析，该神经网络结构可适用于非线性的自动巡航系统，通过调节S函数的倾斜度实现控制器的实时校正以及输出层的权值，具有时间短、无超调等优点，因此有较高的实际应用价值。 参考文献 [1] 陈达兴.自适应巡航控制系统中前方有效目标识别算法研究[D].长春：吉林大学，2011. [2] 苏玉刚.汽车ATM的系统设计和智能控制技术研究[D].重庆：重庆大学，2004. [3] 朱永强.汽车自适应巡航系统的控制策略开发及行驶环境评估[D].长春：吉林大学，2007. [4] 张德兆，王建强，刘佳熙，等.加速度连续型自适应巡航控制模式切换策略[J].北京：清华大学学报：自然科学版，2010（8）：1277?1281. [5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6. [6] 田雷.汽车自适应巡航系统的模糊自校正控制算法研究[J].长春：吉林大学，2006. [7] 李明，杨成梧.PID神经网络的改进PSO学习算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125. [8] 李明，杨成梧.经过改进的NARX回归神经网络[J].电气自动化，2006，13（3）：56?38. 摘 要： 研究神经网络非线性系统的自适应建模和逆建模策略用于非线性的自动巡航系统的控制及可行性。通过对自适应逆控制方法与现行的反馈控制、模糊控制、PID控制进行对比，并在有干扰的情况下系统需要一定的收敛时间，通过运用Matlab软件进行仿真。根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。因此，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 关键词： 自动巡航汽车； 自适应逆控制； 神经网络； 非线性系统 中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）06?0019?02 由测速装置、转向角传感器、车速传感器等部件组成的巡航控制系统是现今的汽车巡航控制系统的主体部分，自动巡航控制系统的研究是近些年来国内外研究的主要方向。当道路情况良好时，该系统就与普通的巡航系统大致相同；当行驶的汽车速度较高或者是行驶过程中与前一辆车之间的距离较近时，通过感应，系统就会适当减速，以避免追尾事件[1]。国内有多所高校和科研单位已经开始从事汽车自动巡航控制系统的研究[2?4]。目前，汽车自动巡航控制系统的控制策略有多种，其主要有PID调节方式、自适应控制、模糊控制等。汽车巡航控制系统中的模糊控制器不需要精确的数字，也不需要精准的数学模型，其数据主要来源于该汽车设定的车速与实际车速的偏差和变化率，因此该系统的确定就使得其规则和隶属函数不能随外界参数的变化而进行调整。 1 自适应逆控制与现行控制技术比较 自适应逆控制[5]是通过运用自适应滤波方法来辨别被控对象的逆模型来实现精确控制的。通过该对象本身传递函数的逆（控制器）来驱动对象，并以此来控制对象的动态性能，是一种前馈控制。传统的反馈和自适应控制中针对噪声和扰动的控制都是通过从输出到输入的负反馈，设计中只能在扰动消除和系统动态特性之间进行折中。但对于自适应逆控制而言，对扰动的控制和对象动态特性的控制是两个单独的单元，可以互不干扰。模糊控制，即通过运用模糊数学，系统性的模仿人工控制活动的策略。汽车巡航控制器通过模糊判断以及模糊控制规则来设定汽车的实际车速[6]。PID控制是根据实际车速与设定车速的偏差来实现汽车不变参数的巡航控制。PID控制优点较多，但对于特性复杂的时变或非线性的过程，如果出现参数调整不当等现象，会使得系统不停地振荡以至于控制效果不佳。神经网络自适应控制系统在逼近非线性函数方面具有极大的优越性[7?8]。动态神经网络可作为一类非线性自适应滤波器，可用于非线性自适应逆控制系统的对象的正向和逆向建模控制。因此，本文将以非线性自适应逆控制研究为基础，设计出较为合理的动态神经网络结构。 2 神经网络非线性系统逆建模结构 直接法和间接法是神经网络建立非线性系统逆建模运用的主要辨识结构。本文通过间接法，针对对象模型，运用非线性系统辨识的方法建立对象逆模型，如图1所示。其中，DAFNN?1是根据在线建立的被控对象动态神经网络模型，DAFNN?2是根据参考模型建立的被控对象的逆模型，即系统控制器。在建模和逆建模的过程中，利用S函数的倾斜度来调整DAFNN?1和DAFNN?2的输出层权值，达到实时跟踪的效果。 3 非线性系统神经网络逆建模仿真研究 为说明神经网络自适应逆控制系统的工作性能，对如下非线性系统进行仿真实验： 令参考模型为[d（k）=sin（r（k）100）]（k=1：4 000），dist为白噪声干扰，DAFNN?2（l）隐层包含5个神经元，DAFNN?2（2）隐层包含8个神经元，可得到下列仿真结果如图2，图3所示。 根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。总体可见，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 4 结 语 本文基于目前国内外对汽车自动巡航系统的综合考研，设定了基于神经网络结构的非线性控制系统，并通过对一个非线性系统的仿真具体分析得到了较为良好的控制效果。通过仿真结果分析，该神经网络结构可适用于非线性的自动巡航系统，通过调节S函数的倾斜度实现控制器的实时校正以及输出层的权值，具有时间短、无超调等优点，因此有较高的实际应用价值。 参考文献 [1] 陈达兴.自适应巡航控制系统中前方有效目标识别算法研究[D].长春：吉林大学，2011. [2] 苏玉刚.汽车ATM的系统设计和智能控制技术研究[D].重庆：重庆大学，2004. [3] 朱永强.汽车自适应巡航系统的控制策略开发及行驶环境评估[D].长春：吉林大学，2007. [4] 张德兆，王建强，刘佳熙，等.加速度连续型自适应巡航控制模式切换策略[J].北京：清华大学学报：自然科学版，2010（8）：1277?1281. [5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6. [6] 田雷.汽车自适应巡航系统的模糊自校正控制算法研究[J].长春：吉林大学，2006. [7] 李明，杨成梧.PID神经网络的改进PSO学习算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125. [8] 李明，杨成梧.经过改进的NARX回归神经网络[J].电气自动化，2006，13（3）：56?38. 摘 要： 研究神经网络非线性系统的自适应建模和逆建模策略用于非线性的自动巡航系统的控制及可行性。通过对自适应逆控制方法与现行的反馈控制、模糊控制、PID控制进行对比，并在有干扰的情况下系统需要一定的收敛时间，通过运用Matlab软件进行仿真。根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。因此，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 关键词： 自动巡航汽车； 自适应逆控制； 神经网络； 非线性系统 中图分类号： TN911?34 文献标识码： A 文章编号： 1004?373X（2014）06?0019?02 由测速装置、转向角传感器、车速传感器等部件组成的巡航控制系统是现今的汽车巡航控制系统的主体部分，自动巡航控制系统的研究是近些年来国内外研究的主要方向。当道路情况良好时，该系统就与普通的巡航系统大致相同；当行驶的汽车速度较高或者是行驶过程中与前一辆车之间的距离较近时，通过感应，系统就会适当减速，以避免追尾事件[1]。国内有多所高校和科研单位已经开始从事汽车自动巡航控制系统的研究[2?4]。目前，汽车自动巡航控制系统的控制策略有多种，其主要有PID调节方式、自适应控制、模糊控制等。汽车巡航控制系统中的模糊控制器不需要精确的数字，也不需要精准的数学模型，其数据主要来源于该汽车设定的车速与实际车速的偏差和变化率，因此该系统的确定就使得其规则和隶属函数不能随外界参数的变化而进行调整。 1 自适应逆控制与现行控制技术比较 自适应逆控制[5]是通过运用自适应滤波方法来辨别被控对象的逆模型来实现精确控制的。通过该对象本身传递函数的逆（控制器）来驱动对象，并以此来控制对象的动态性能，是一种前馈控制。传统的反馈和自适应控制中针对噪声和扰动的控制都是通过从输出到输入的负反馈，设计中只能在扰动消除和系统动态特性之间进行折中。但对于自适应逆控制而言，对扰动的控制和对象动态特性的控制是两个单独的单元，可以互不干扰。模糊控制，即通过运用模糊数学，系统性的模仿人工控制活动的策略。汽车巡航控制器通过模糊判断以及模糊控制规则来设定汽车的实际车速[6]。PID控制是根据实际车速与设定车速的偏差来实现汽车不变参数的巡航控制。PID控制优点较多，但对于特性复杂的时变或非线性的过程，如果出现参数调整不当等现象，会使得系统不停地振荡以至于控制效果不佳。神经网络自适应控制系统在逼近非线性函数方面具有极大的优越性[7?8]。动态神经网络可作为一类非线性自适应滤波器，可用于非线性自适应逆控制系统的对象的正向和逆向建模控制。因此，本文将以非线性自适应逆控制研究为基础，设计出较为合理的动态神经网络结构。 2 神经网络非线性系统逆建模结构 直接法和间接法是神经网络建立非线性系统逆建模运用的主要辨识结构。本文通过间接法，针对对象模型，运用非线性系统辨识的方法建立对象逆模型，如图1所示。其中，DAFNN?1是根据在线建立的被控对象动态神经网络模型，DAFNN?2是根据参考模型建立的被控对象的逆模型，即系统控制器。在建模和逆建模的过程中，利用S函数的倾斜度来调整DAFNN?1和DAFNN?2的输出层权值，达到实时跟踪的效果。 3 非线性系统神经网络逆建模仿真研究 为说明神经网络自适应逆控制系统的工作性能，对如下非线性系统进行仿真实验： 令参考模型为[d（k）=sin（r（k）100）]（k=1：4 000），dist为白噪声干扰，DAFNN?2（l）隐层包含5个神经元，DAFNN?2（2）隐层包含8个神经元，可得到下列仿真结果如图2，图3所示。 根据仿真结果分析，当对象输出没有受到干扰时，其在线辨识对象模型和逆模型有十分好的效果；当对象输出存在一些干扰时，由于干扰的存在，需要一段时间来将两个辨识模型收敛。总体可见，基于动态神经网络的非线性自适应逆控制系统是十分可行的。 4 结 语 本文基于目前国内外对汽车自动巡航系统的综合考研，设定了基于神经网络结构的非线性控制系统，并通过对一个非线性系统的仿真具体分析得到了较为良好的控制效果。通过仿真结果分析，该神经网络结构可适用于非线性的自动巡航系统，通过调节S函数的倾斜度实现控制器的实时校正以及输出层的权值，具有时间短、无超调等优点，因此有较高的实际应用价值。 参考文献 [1] 陈达兴.自适应巡航控制系统中前方有效目标识别算法研究[D].长春：吉林大学，2011. [2] 苏玉刚.汽车ATM的系统设计和智能控制技术研究[D].重庆：重庆大学，2004. [3] 朱永强.汽车自适应巡航系统的控制策略开发及行驶环境评估[D].长春：吉林大学，2007. [4] 张德兆，王建强，刘佳熙，等.加速度连续型自适应巡航控制模式切换策略[J].北京：清华大学学报：自然科学版，2010（8）：1277?1281. [5] WIDROW B， WALACH E. Adaptive inverse control [C]// Proceedings of the 1993 IEEE International Symposium on Intelligent Control. Chicago， IL： IEEE， 1993： 1?6. [6] 田雷.汽车自适应巡航系统的模糊自校正控制算法研究[J].长春：吉林大学，2006. [7] 李明，杨成梧.PID神经网络的改进PSO学习算法[C]//Proceedings of the 25th Chinese Control Conference. Harbin， Heilongjiang： [s.n.]， 2006： 1123?1125. [8] 李明，杨成梧.经过改进的NARX回归神经网络[J].电气自动化，2006，13（3）：56?38. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。