摘 要：將線性網(wǎng)絡(luò)應(yīng)用于一類帶擾動(dòng)的線性對(duì)象，提出了一種基于該線性網(wǎng)絡(luò)的自適應(yīng)逆控制方案，該方案由辨識(shí)器、控制器和擾動(dòng)消除器三部分構(gòu)成，合理選擇三個(gè)線性網(wǎng)絡(luò)的輸入，通過(guò)辨識(shí)器的在線學(xué)習(xí)，同時(shí)更新控制器和擾動(dòng)消除器的權(quán)值，文章研究了該方案的收斂性和方案的跟蹤性。根據(jù)可變步長(zhǎng)權(quán)值收斂條件，設(shè)計(jì)了輸入解相關(guān)變步長(zhǎng)LMS算法調(diào)整辨識(shí)器權(quán)值方法。通過(guò)仿真研究了逆控制方法的有效性。 關(guān)鍵詞：線性網(wǎng)絡(luò);LMS算法;自適應(yīng)逆控制 Abstract：The linear neural network is applied of a class linear plant with Disturbance, and a LNN-based adaptive inverse control scheme is presented. The control scheme is composed of three parts: identifier, controller and disturbance canceller. Three LLN’s respectively selected inputs are so reasonable that when on-line training is only in the identifier, three networks’ weight values are updated at the same time. The scheme’s weight convergence is expatiated, and a desired reference can be tracked by the plant output. In according to the weight convergence condition of the variable step size least mean square algorithm, a new input-decorrelated variable step size least mean square algorithm is presented to make the scheme be applied in practice. A simulation examples are also presented to evaluate the scheme. Key words：Linear Neural Network（LNN）; Least Mean Square（LMS） Algorithm; Adaptive Inverse Control（AIC） 1 引言 　　自適應(yīng)逆控制方法是由Bernard Widrow于1960年首次提出的[1]，基本思想是把對(duì)象動(dòng)態(tài)特性看成映射，控制器逼近逆映射，使對(duì)象的輸出跟蹤指令輸入。本文將動(dòng)態(tài)線性網(wǎng)絡(luò)應(yīng)用于逆控制系統(tǒng)中，構(gòu)造逼近未知線性對(duì)象的逆控制動(dòng)態(tài)特性的線性網(wǎng)絡(luò)控制器，合理選擇三個(gè)線性網(wǎng)絡(luò)的輸入，通過(guò)辨識(shí)器在線學(xué)習(xí)，同時(shí)更新控制器和擾動(dòng)消除器的權(quán)值，文章研究了該方案的收斂性和控制系統(tǒng)的跟蹤性能。辨識(shí)器在線學(xué)習(xí)使用了LMS算法，但理論分析表明[1]，當(dāng)步長(zhǎng) 一定時(shí),自適應(yīng)濾波算法輸出收斂速度取決于輸入向量的自相關(guān)矩陣 的最小特征值，而總失調(diào)則取決于最大特征值，當(dāng) 的值嚴(yán)重分散時(shí)，輸出收斂速度低且失調(diào)大。而且，固定步長(zhǎng)的LMS算法在收斂速度、時(shí)變系統(tǒng)跟蹤速度與收斂精度方面對(duì)算法調(diào)整步長(zhǎng)因子 的要求是相互矛盾的，相對(duì)于最小二乘算法，LMS算法的殘差（失調(diào)）與收斂速度相互制約更為突出，其原因在于最小二乘算法的步長(zhǎng)在收斂過(guò)程中是改變的，而LMS算法是不變的，因此變步長(zhǎng)算法性能要優(yōu)于LMS算法。為了克服這一矛盾，從兩個(gè)方面減弱這種影響，一是采用基于優(yōu)化估值梯度的自適應(yīng)濾波算法[2]，實(shí)際上是對(duì)誤差作非線性變換[3];二是采用變步長(zhǎng)因子 [4-9]，減少自適應(yīng)濾波算法的穩(wěn)態(tài)失調(diào)噪聲，提高算法的收斂精度。實(shí)際上，對(duì)誤差信號(hào)進(jìn)行處理等效于變步長(zhǎng)措施，所以變步長(zhǎng)措施等同于優(yōu)化梯度估值[10]。為了使控制系統(tǒng)能適合自適應(yīng)應(yīng)用場(chǎng)合，本文根據(jù)可變步長(zhǎng)權(quán)值收斂條件，設(shè)計(jì)了一種新的輸入解相關(guān)[11, 12]變步長(zhǎng)LMS算法。文章對(duì)提出的逆控制方法進(jìn)行了仿真研究。 詳情請(qǐng)點(diǎn)擊：基于線性網(wǎng)絡(luò)的一類帶擾動(dòng)線性對(duì)象的逆控制研究