摘 要：將線性網絡應用于一類帶擾動的線性對象，提出了一種基于該線性網絡的自適應逆控制方案，該方案由辨識器、控制器和擾動消除器三部分構成，合理選擇三個線性網絡的輸入，通過辨識器的在線學習，同時更新控制器和擾動消除器的權值，文章研究了該方案的收斂性和方案的跟蹤性。根據可變步長權值收斂條件，設計了輸入解相關變步長LMS算法調整辨識器權值方法。通過仿真研究了逆控制方法的有效性。 關鍵詞：線性網絡;LMS算法;自適應逆控制 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]，基本思想是把對象動態特性看成映射，控制器逼近逆映射，使對象的輸出跟蹤指令輸入。本文將動態線性網絡應用于逆控制系統中，構造逼近未知線性對象的逆控制動態特性的線性網絡控制器，合理選擇三個線性網絡的輸入，通過辨識器在線學習，同時更新控制器和擾動消除器的權值，文章研究了該方案的收斂性和控制系統的跟蹤性能。辨識器在線學習使用了LMS算法，但理論分析表明[1]，當步長 一定時,自適應濾波算法輸出收斂速度取決于輸入向量的自相關矩陣 的最小特征值，而總失調則取決于最大特征值，當 的值嚴重分散時，輸出收斂速度低且失調大。而且，固定步長的LMS算法在收斂速度、時變系統跟蹤速度與收斂精度方面對算法調整步長因子 的要求是相互矛盾的，相對于最小二乘算法，LMS算法的殘差（失調）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在收斂過程中是改變的，而LMS算法是不變的，因此變步長算法性能要優于LMS算法。為了克服這一矛盾，從兩個方面減弱這種影響，一是采用基于優化估值梯度的自適應濾波算法[2]，實際上是對誤差作非線性變換[3];二是采用變步長因子 [4-9]，減少自適應濾波算法的穩態失調噪聲，提高算法的收斂精度。實際上，對誤差信號進行處理等效于變步長措施，所以變步長措施等同于優化梯度估值[10]。為了使控制系統能適合自適應應用場合，本文根據可變步長權值收斂條件，設計了一種新的輸入解相關[11, 12]變步長LMS算法。文章對提出的逆控制方法進行了仿真研究。 詳情請點擊：基于線性網絡的一類帶擾動線性對象的逆控制研究