随机深度模型参考自适应控制

本文提出一种基于随机深度神经网络的模型参考自适应控制。在我们“深度模型参考自适应控制”工作的基础上，我们通过使用贝叶斯深度神经网络（DNN）表示不确定性与模型非线性，扩展了控制器能力。随机深度模型参考自适应控制采用基于Lyapunov的方法实时调整DNN模型的输出层权重，同时采用数据驱动的监督学习算法更新内层参数。这种异步网络更新借助基于学习的实时反馈控制器确保了有界性与有保证的跟踪性能。DNN学习的贝叶斯方法有助于避免数据过拟合，并提供预测上的置信区间。控制器的随机特性也确保了“诱导激励持续性”，从而导致整体系统信号的收敛。