基于在线学习优化动态模型库的多模型自适应控制

基于在线学习优化动态模型库的多模型自适应控制

钱承山¹,², 吴庆宪¹, 姜长生¹

1. 南京航空航天大学自动化学院模式识别与智能控制实验室, 南京 210016； 2. 泰山学院, 山东省泰安 271021

收稿日期:2006-07-29 修回日期:1900-01-01 出版日期:2007-07-26 发布日期:2007-07-26
通讯作者: 钱承山

Multimodel Adaptive Control Based on Online Learning and Optimizing Dynamic Model Bank

QIAN Chengshan¹,², WU Qingxian¹, JIANG Changsheng¹

1. Pattern Recognition and Intelligent Control Laboratory, Automation College, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China； 2. Taishan College, Tai’an 271021, Shandong Province, China

Received:2006-07-29 Revised:1900-01-01 Online:2007-07-26 Published:2007-07-26
Contact: QIAN Chengshan

摘要/Abstract

摘要： 提出一种通过在线学习优化动态模型库的方法. 当子模型数量增长达到设定规模时, 根据动态模型库中各子模型与实际对象的匹配程度, 选取匹配程度最低的旧模型删除, 并添加新建子模型, 从而维持动态模型库在设定规模以内, 解决了在线学习建立动态模型库子模型数量不断增长的问题, 避免了子模型数量的过度增长而引起的计算量增加和性能下降, 并通过仿真证明了算法的有效性.

关键词: 多模型自适应控制, 在线学习, 动态模型库, 优化

Abstract: A method of optimizing the dynamic model bank that is based on online learning is proposed in this paper. When the number of models rea ches the set limitation, the old model, which has the lowest matching degree according to the matching extent between the plant and the models, is deleted for the maintenance of the size of the dynamic model bank, and then the new model is added to the dynamic model bank. Therefore, the problems that arise when the number of models increases and results in a significant grow in computational complexity as well as a decrease in the performance level are solved. The effectiveness of the proposed method is demonstrated by the simulation results.

Key words: multimodel adaptive control, online learning, dynamic model bank, optimize

中图分类号:

TP273

钱承山,, 吴庆宪, 姜长生. 基于在线学习优化动态模型库的多模型自适应控制[J]. J4, 2007, 45(04): 601-606.

QIAN Chengshan,, WU Qingxian, JIANG Changsheng. Multimodel Adaptive Control Based on Online Learning and Optimizing Dynamic Model Bank[J]. J4, 2007, 45(04): 601-606.

[1]	刘仁云, 张美娜, 姚亦飞, 于繁华. 一种新的全局排序高维多目标优化算法[J]. 吉林大学学报(理学版), 2022, 60(3): 664-670.
[2]	隋振, 吴涛, 唐志国, 张天星, 陈华锐. 四向穿梭车仓储系统的多订单任务调度优化[J]. 吉林大学学报(理学版), 2022, 60(2): 332-342.
[3]	王彦琦, 张强, 朱刘涛, 袁和平. 基于改进鲸鱼优化算法的GBDT回归预测模型[J]. 吉林大学学报(理学版), 2022, 60(2): 401-408.
[4]	黄元元, 杨颖珂. 几种混合型共轭梯度法的数值性能[J]. 吉林大学学报(理学版), 2022, 60(2): 247-252.
[5]	隋振, 张天星, 吴涛, 陈华锐. 基于多种群空间映射遗传算法的立体仓库储位优化[J]. 吉林大学学报(理学版), 2022, 60(1): 127-0134.
[6]	由向平, 汤获, 马丽娜. 从属于叶形区域星象函数类的优化性质[J]. 吉林大学学报(理学版), 2021, 59(6): 1427-1431.
[7]	刘嘎琼, 韩斌, 王东升, 严熙, 李会格. 属性异构信息网络的半监督协同聚类[J]. 吉林大学学报(理学版), 2021, 59(6): 1445-1454.
[8]	王松华, 夏师, 黎勇. 一类修正Hager-Zhang共轭梯度法的收敛性及其数值实验[J]. 吉林大学学报(理学版), 2021, 59(5): 1107-1116.
[9]	曾宏志, 史洪松. 半监督技术和主动学习相结合的网络入侵检测方法[J]. 吉林大学学报(理学版), 2021, 59(4): 936-942.
[10]	傅博, 王瑞子, 王丽妍, 张湘怡. 基于深度卷积神经网络的水下偏色图像增强方法[J]. 吉林大学学报(理学版), 2021, 59(4): 891-899.
[11]	莫晓庆, 孙祥凯. 一类不确定半无限多目标优化问题的鲁棒逼近最优性[J]. 吉林大学学报(理学版), 2021, 59(2): 257-262.
[12]	胡传丰, 任靖雯, 胡慧, 蔺宏伟. 基于等几何分析的参数多孔结构拓扑优化[J]. 吉林大学学报(理学版), 2021, 59(1): 65-76.
[13]	张强, 朱刘涛, 王颖. 基于文化混洗蛙跳算法求解连续空间优化问题[J]. 吉林大学学报(理学版), 2020, 58(6): 1443-1451.
[14]	陈静, 唐傲天, 刘震, 徐森, 曹晓聪. 一种基于Kriging模型加点策略的多目标粒子群优化算法[J]. 吉林大学学报(理学版), 2020, 58(5): 1159-1166.
[15]	于生宝, 房钰, 高丽辉, 刁庶. 基于改进粒子群优化算法的可控发射电流频率SHEPWM控制方法[J]. 吉林大学学报(理学版), 2020, 58(5): 1207-1214.