英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料
一个新的无人地面车辆极限学习控制框架
王宁，IEEE高级会员，孙静超，孟乔尔，IEEE高级会员，刘燕成
摘要：在本文中，使用具有随机隐藏节点的单隐层前馈网络（SLFN）的极限学习控制（ELC）框架来跟踪提出了未知动力学和外部干扰的无人地面车辆。通过将跟踪误差与导数组合，定义了误差表面和变换状态，以将未知的动态和干扰封装成变换状态的集总矢量场。集中非线性进一步通过基于极端学习机器的SLFN近似器进行精确识别，不需要先验系统知识，也不需要调整输入权重。需要通过从李亚普诺夫方法得出的基于自适应投影的法则来更新SLFN的输出权重。此外，并入误差补偿器以抑制近似残差，从而有助于闭环ELC系统的鲁棒性和全局渐近稳定性。仿真研究和综合比较表明，ELC框架在跟踪和近似中都能实现高精度。
指标术语：自适应控制，极限学习机（ELM），轨迹跟踪，无人地面车辆（USV）。
一．引言
在基于自适应近似的控制领域[1],神经网络（NNs），例如径向基函数NN [2]，多层NN [3]，和模糊NN [4]、[5]，实际上被用作线性参数（LIP）和非线性参数（NLIP）近似器，其中具有预定义隐藏节点的前者仅允许输出权重可调，并且后者要求在线更新所有连接权重。在这种情况下，LIP近似器受隐藏节点中的固定回归约束，而NLIP近似器通常需要泰勒级数展开来线性化参数，并产生高阶项。然而，LIP和NLIP近似器都需要确定或更新隐藏节点下面的回归器的必要信息[6] - [8]，此外，当输入维数较大时，NLIP近似器将大大增加计算负担。
与确定性隐藏节点不同，在[9]中为单隐层前馈网络（SLFN）提出了极限学习机（ELM），由此随机生成隐藏节点，并且仅通过线性最小二乘法（例如，伪逆）来分析地确定输出权重。在这种情况下，ELM方法允许隐藏节点与系统不相关以被近似，并且将嵌入隐藏节点的随机性丰富特征映射（即回归），从而以较少的可调谐参数和较低的计算复杂度[10] - [12]显着提高识别能力 。此外，在[13]中提出了在线顺序ELM，它非常适合于实时应用，因为它可以通过块或一个接一个地学习数据样本块。最近，通过将递归正交最小二乘法分解为顺序部分正交化，Wang等[14]提出了可以实现多输入多输出SLFN的简约结构和优秀泛化的新型建设性和破坏性简约的ELM。通过采用输入的多项式函数作为将随机生成的隐藏单元与相应的输出节点连接的输出权重，传统的SLFN也已经扩展到[15]中的广义SLFN。请注意，所有以前基于ELM的方法都专门用于处理数据样本的回归和分类问题。相反，在基于自适应近似控制的领域中，通常通过自适应规律来更新近似器的所有参数，这些自适应规律保证闭环系统的稳定性，并且与机器学习领域中使用的各种优化方法有显着差异。在这种情况下，非常希望开发一种使用随机回归的SLFN近似器的基于ELM的自适应控制方案。
另一方面，自从传统的无模式方法由于未知的动态和风，波浪和洋流等的重大干扰而变得无效，无人地面车辆（USV）[16] - [18]，无人水下航行器[19]，[20]和其他海上设施[21]、[22]的轨迹跟踪控制是一个具有挑战性的事情。在这方面，基于近似的自适应控制方案将有很大的潜力来解决这个问题。最初，偏航运动与浪涌和摇摆动力学分离，并通过采用模糊逻辑系统[23]，[24]和NN [25]，[26]分别对船舶进行自适应转向控制，以处理不确定性模型。结合模型参考自适应控制（MRAC）方法，还提出了一种基于NN的MRAC方案[27]，用于具有完全致动动力学的USV的轨迹跟踪。对于完全致动船舶的航标自动驾驶系统，提出了一种自适应模糊鲁棒跟踪控制方法[28]，将基于NN的近似值纳入到输入到状态稳定性方法和小增益定理的组合中，由此可以处理时变干扰。在[30]中，在不确定的动态环境中为海面船开发了一种稳定的自适应NN跟踪控制器，其设计过程在后台和Lyapunov综合的框架内。最近，采用[31]和[32]中的自组织模糊/神经逼近器来识别集中的未知动力学，包括USV中涉及的不确定性和干扰，并且被并入自适应控制结构，从而导致全局均匀的最终有界跟踪误差（由于残差的存在）。 然而，应该强调的是，所有以前基于逼近的USV自适应控制方法都不可避免地受到以下缺陷的困扰。
1）确定性隐藏节点（即回归）[33]，[34]需要关于USV的先验信息。
2）如果输入维数较大，则会产生大量隐藏节点。
3）高维输入空间中的稀疏隐藏节点将导致大的近似误差，从而需要保守的控制。
在本文中，我们讨论了一种新型的基于SLFN的自适应极限学习控制（ELC）框架，其中SLFN近似器的隐藏节点由ELM技术随机生成，在存在不确定性和干扰的情况下用于轨道跟踪USV有效启动的动力学。通过导出跟踪误差的滑动模式表面，将要近似的未知动力学被集中在变换的坐标中，并且由具有随机隐藏节点的SLFN基近似器进一步估计。输出权重的自适应规律和近似误差的补偿从Lyapunov方法得出，并保证跟踪误差全局渐近稳定，闭环系统中的所有信号均有界限。在这种情况下，所提出的ELC在不确定和受干扰的环境中为完全启动的USV提供了基于模型的基于近似的自适应控制框架。
本文的其余部分安排如下。第二部分阐述了USV的动态。第三部分讨论了对未知非线性的变换误差动力学和基于ELM的SLFN近似。提出的ELC框架以及适应性法律和稳定性分析见第四节。模拟研究和综合比较在第五节进行。结论如第六节。
图1. 地球固定的和身体固定的AXY坐标系。
稿件于2014年8月13日收到; 2015年1月30日修订;并于2015年4月11日接受。2015年4月30日发布日期，当前版本的日期为2016年4月13日。这项工作部分得到中国国家自然科学基金资助51009017，拨款51379002，拨款51479018，部分由中国运输部应用基础研究基金赠款2012-329-225-060，部分由中国博士后科学基金授予2012M520629，部分由辽宁省优秀人才计划授予LJQ2013055，部分由中央大学基础研究基金（中国）批准2009QN025，授权2011JC002，授权3132013025，部分由“辽宁省科技计划”20102019014授权。本文是由副编辑S. X. Yang推荐的。
N. Wang, J.-C. Sun, and Y.-C. Liu 与大连海事大学海洋工程学院，大连116026（电子邮件：n.wang.dmu.cn@gmail.com）。
M. J. Er与新加坡南洋理工大学电气与电子工程学院，639798。
本文中的一个或多个图形的颜色版本可用
在线http://ieeexplore.ieee.org。
数字对象标识符10.1109 / TCYB.2015.2423635
二． 问题制定
考虑图1中具有未知动力学和扰动的3自由度USV如下：
其中eta;= [x，y，psi;]T是地球固定惯性框架中地面车辆的坐标（x，y）和航向角（psi;）的位置状态矢量，nu;= [u，v，r]T是车身固定框架中线性速度（u，v）的相应速度状态矢量，即浪涌和摆动速度，角速度（r），即偏航，tau;= [tau;1，tau;2，tau;3]T和 d（t）= [d1（t），d2（t），d3（t）]T是控制输入和由于固定在惯性框架中的风，波浪和洋流引起的未知的时变外部干扰， 矩阵R（psi;）是定义如下的3自由度旋转矩阵：
具有以下属性：
这里，惯性矩阵 M #39;= M #39;T gt; 0 ，科里奥利的向量对称矩阵C#39;(nu;) = minus;C#39;(nu;)T 和向心项由下式给出：
并且阻尼矩阵D#39;（nu;）= Do#39;（nu;） Delta;D#39;（nu;）由两部分组成，即标称动力学Do#39;（nu;）和扰动不确定度Delta;D#39;（nu;） ，由
其中，，，，；，；，，，，；，，，，。这里，m是容器的质量，Iz是关于偏航旋转的惯性矩，，符号X *，Y *和N *表示相应的流体动力学导数。
备注1：参数Xu，Yv，Yr，Nv，，，，，，，，和是已知的，而流体动力学Nr，，，，，，几乎不能被识别，从而参数是不确定的。
通过将（1）代入（2），系统（1）和（2）可以是重写为以下拉格朗日形式：
当
具有以下属性：
备注2：由于（9）中的矩阵M，C和D都是未知的，所以将USV（9）跟踪控制到任何平滑的轨迹成为一个具有挑战性的问题。
给定所需的平滑轨迹，和，我们的目标是设计具有未知动力学和干扰的完全致动USV（9）的控制律，使得所有信号在所得的闭环控制系统中均匀有界，并且跟踪误差和是渐近稳定的，其中=-。
三． 极端的学习近似
从（9）可以得出跟踪误差的动态：
定义跟踪错误的滑动模式表面如下：
此时Lambda; = diag（lambda;1，lambda;2，...，lambda;n）是对角线正定矩阵
将（13）代入（12），我们有
其中包括未知动力学和扰动的集总未知非线性f（z）由下式给出：
图2. SLFN的结构
变换状态矢量z = [，，，]T [z1，z2，... 。 。 ，zm]Tisin;Uzsub;Rm和。
由于（15）中的非线性f（·）实际上是未知的，所以提出了如图2所示的具有L个隐藏节点的SLFN，用于在线识别集总未知动力学f（z）如下：
其中fL：Uzsub;Rm→Rn，W = [omega;1，... ，omega;n] = [w1，... ，wL]Tisin;RLtimes;n，，，isin;RmL，b = [b1，... ，bL]Tisin;RL，h = [h1，... ，hL]T，Wlisin;Rn是将第l个隐藏节点连接到输出节点的输出权重向量，h（z;alpha;l，bl）是相对于输入zisin;Rm，alpha;lisin;Rm的第l个隐藏节点的输出，blisin;R是相应的隐藏节点参数，L是隐藏节点的数量。
在ELM方法[9]，[10]中已经表明，具有无限可微分的广泛类型的随机计算隐藏节点h：Rm→Rn的SLFN具有通用逼近能力。实际上，加法和RBF激活函数被广泛使用，并且被证明在给定具有随机生成的具有L个隐含节点的参数aisin;RmL和bisin;RL的最优SLFN以及最优输出权重W*isin;RLtimes;n的两者中都是有效的，非线性函数f（z）可以近似如下：
其中是最小函数近似误差的向量，满足，最优输出权重W*来自：
其参数被界定为
备注3：通过在（13）中采用滑模表面，USV动力学（9）可以转化为（14）中未知的集总非线性f（·）的滑模误差动力学。通过基于SLFN的极端学习近似，未知动力学f（·）可以通过具有理想输出权重的（17）中的最优近似来估计。
图3. USV提出的ELC框架框图
备注4：在极端学习近似（17）中，采用具有随机隐藏节点的SLFN通过仅调整输出权重W来估计集总未知动力学f（·），这也需要确保所产生的闭环系统的稳定性。在这种情况下，在传统ELM算法中使用的线性最小二乘法，即伪逆，变得不可用。
四． 极端学习控制框架
在本节中，通过引入基于SLFN的极端学习近似和误差补偿，提出了跟踪完全启动的USV（9）的极限学习控制（ELC）框架，整体框图如图3所示。
- 极端学习控制框架
注意，SLFN近似器（17）中的最佳权重W*
全文共17653字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142682]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
