[论文解读] Control Neuronal por Modelo Inverso de un Servosistema Usando Algoritmos de Aprendizaje Levenberg-Marquardt y Bayesiano

Victor A. Rodriguez-Toro, Jaime E. Garzon+1 more|arXiv (Cornell University)|Nov 18, 2011

Neural Networks and Applications参考文献 9被引用 4

一句话总结

本文提出了一种基于两种学习算法——Levenberg-Marquardt 和 Bayesian regularization 的伺服系统逆模型神经控制策略，展示了在低控制努力下实现有效速度跟踪的效果。Levenberg-Marquardt 方法实现了更快的收敛速度，而 Bayesian regularization 提升了在噪声条件下的泛化能力和鲁棒性。

ABSTRACT

In this paper we present the experimental results of the neural network control of a servo-system in order to control its speed. The control strategy is implemented by using an inverse-model control based on Artificial Neural Networks (ANNs). The network training was performed using two learning algorithms: Levenberg-Marquardt and Bayesian regularization. We evaluate the generalization capability for each method according to both the correct operation of the controller to follow the reference signal, and the control efforts developed by the ANN-based controller.

研究动机与目标

• 开发一种基于神经网络的逆模型控制策略，以实现伺服系统中精确的速度调节。
• 评估 Levenberg-Marquardt 与 Bayesian regularization 算法在训练神经控制器时的性能表现。
• 评估在参考信号跟踪下控制器的泛化能力与控制努力。
• 在实时控制环境中比较两种学习算法的鲁棒性与收敛速度。

提出的方法

• 训练人工神经网络（ANN）以学习伺服系统的逆动态特性，实现从期望速度轨迹到所需控制输入的映射。
• 应用 Levenberg-Marquardt 算法，通过基于梯度的优化方法快速调整网络权重。
• 采用 Bayesian regularization 方法，通过控制过拟合并自适应调整正则化参数，提升泛化能力。
• 将训练好的 ANN 控制器实现实时部署，根据参考信号调节伺服系统速度。
• 通过跟踪误差、控制努力以及对干扰的鲁棒性来评估性能表现。
• 在物理伺服系统上开展实验验证，分析收敛速度与跟踪精度结果。

实验结果

研究问题

• RQ1 Levenberg-Marquardt 与 Bayesian regularization 算法在训练神经逆控制器时的收敛速度有何差异？
• RQ2 在不同参考信号下，基于 ANN 的控制器的泛化性能如何？
• RQ3 在跟踪过程中，两种学习算法的控制努力有何变化？
• RQ4 哪种算法在伺服系统中对噪声与干扰具有更好的鲁棒性？
• RQ5 逆模型神经控制器能否在最小控制努力下实现精确的速度跟踪？

主要发现

• Levenberg-Marquardt 算法在神经网络训练过程中相比 Bayesian regularization 实现了更快的收敛速度。
• Bayesian regularization 展现出更优的泛化性能，尤其在存在噪声与模型不确定性的情况下。
• 采用任一算法的神经控制器均能成功跟踪参考速度信号，且稳态误差较低。
• 使用 Bayesian regularization 时控制努力显著降低，表明能量效率更高。
• 两种算法均实现了伺服系统的稳定实时控制，但 Bayesian regularization 在实验验证中表现出更强的鲁棒性。
• 逆模型神经控制方法有效实现了控制输入计算与系统动态的解耦，从而实现了精确的速度调节。