混合神经解耦极点配置控制器及其应用J. Henriques, A. Dourado摘要提出一种将循环动态神经网络整合到极点配置的混合控制结构。该神经网络拓补包含了一个修正过的循环 Elman 网络，以获得所要控制对象的动态学，通过计时运算法则使用一个缩短的逆传播作为在线执行的相位学习。模拟一个普通非线性状态空间系统时，神经模型的每一次步进，被线性化而产生一个离散线性时变状态空间模型。神经模型一旦线性化，就可以应用一些良好的已建的标准控制策略。本工作里解耦极点配置控制器的设计被看成是首要的，其与网络的在线学习结合得到了一种自调整适应的控制方案。实验室三箱系统收集的试验结果证实了所提方法的生存力和效果。关键词：混合方法，循环神经网络，极点配置，解耦，多变量适应控制。1． 导论过去十年的自动控制变革被描述为两个派别的对抗：一种基于解析代数方法，而另一种是基于来自人工智能的信息处理工具。两者都推动进展了复杂，非线性，几乎无法模型化的过程的控制系统。解析代数这一派，使用线性的非线性的严格方法，建立了一连贯知识体系，但仍然无法解决当不可能获得足够精确的过程和扰动模型时的问题。而另一派，基于神经网络和模糊系统，进展了大量的方法和结构有效的解决了一些困难问题，但所引来的知识体系缺乏一致性，系统性和一般性。越来越明显的是，只要这两派联合将带来自动控制科学和技术的新领域。近年来，一些讨论以包含混合的观念把两者整合起来。例如，Cao 等人[3]提出了一种方法，利用了模糊逻辑和现代控制理论的结合来分析和设计复杂控制系统，以独特的数学结构包含了定性和定量的认识（引入鲁棒控制理论和线性非确定系统观念去分析和设计模糊控制系统，稳定性分析时用到了李亚普诺夫定理）。Shaw 和 Doyle【14】通过在一个 IMC 结构上线性化输入输出，对 MIMO 系统以及预测控制使用了神经控制。Wang 和 Wu【19】在极点分配问题中用到了反馈增益矩阵的神经估量。Jagannathan 和 Lewis【8】在辨认误差方程的映射非线性函数中用神经网络应付非线性辨认任务。Fuh 和 Tung【7】通过 Popov-Lyapunov 方法讨论模糊控制系统的鲁棒稳定性，把模糊系统转化为具有不确定性和非线性的 Lur 系统。Lygeros【10】对混合系统提出了一个框架，扩充技术来自模糊系统和常规适应控制 。Tanaka 等人【18】在特征根配置时用到了具有模糊状态反馈的 Takagi-Sugeno 模糊模型，获得了模糊校正器和模糊观测器，这是...
