用于稳定非线性系统的基于循环神经网络的内部模型控制设计
机器学习
2022-03-18 v3 系统与控制
系统与控制
摘要
由于卓越的建模能力，门控循环神经网络，如门控循环单元 (GRU) 和长短期记忆网络 (LSTM)，已成为学习动力系统的流行工具。本文旨在探讨如何将这些网络用于内部模型控制 (IMC) 架构的综合。为此，首先使用门控循环网络学习未知输入输出稳定对象的模型。然后，训练控制器门控循环网络以逼近模型逆。这些网络的稳定性通过适当的训练过程得以保证，从而能够保证输入输出闭环稳定性。所提方案能够应对控制变量的饱和，并且由于仅需有限的在线计算，可部署于低功耗嵌入式控制器上。随后，该方法在四水箱基准系统上进行了测试，并与替代控制律进行了比较，获得了显著的闭环性能。
引用
@article{arxiv.2108.04585,
title = {Recurrent Neural Network-based Internal Model Control design for stable nonlinear systems},
author = {Fabio Bonassi and Riccardo Scattolini},
journal= {arXiv preprint arXiv:2108.04585},
year = {2022}
}
备注
Copyright 2022. This manuscript version is made available under the CC-BY-NC-ND 4.0 license. This manuscript has been published at Elsevier European Journal of Control. Published article available at DOI 10.1016/j.ejcon.2022.100632