具体解释了什么是梯度,以及梯度如何应用于MIT自适应控制律,为后续基于梯度法的模型参考自适应控制做铺垫,如果可以理解的,可以自动跳过。
目录
一、梯度
什么是梯度呢?梯度可以理解为一个向量,具有方向性。
若是一维函数,y=f(x),那么梯度就是f函数的导数,,物理意义上就是函数f的切线方向。
若是二维函数,,那么梯度就是f函数的偏导数,
,物理意义上就是函数f曲面的切面,而偏导数相当于一个自变量不变,而另外一个自变量变化,整个函数中相当于仅有一个自变量,问题即可转化为一维函数。
梯度是参数改变速度最快的方向。因此采用梯度方法可以快速收敛到自适应律(损失函数)的目标内。
二、MIT自适应律
假设参考模型输出和系统实际输出之差为e,即模型误差,被控对象未知或慢时变参数为[优化参数]。
被控对象的控制目标为:调整控制器参数,使,即误差收敛。
性能指标函数一般为,自变量为
,
的维数取决于你需要优化的参数有多少个,如果你需要优化的参数有n个则为n为函数。
使用梯度下降法能够使J快速收敛到最小,这里需要使用负梯度,使得函数是朝着小值变化。
则需要求J关于的偏导:
在此基础上需要确定梯度下降的步长,如果下降太快,容易陷入局部最优,所以需要选取合适的
,即梯度系数。
可表示为:
取负梯度方向,则
参考资料:
[5分钟深度学习] #01 梯度下降算法_哔哩哔哩_bilibili
如何理解“梯度下降法”?什么是“反向传播”?通过一个视频,一步一步全部搞明白_哔哩哔哩_bilibili
系统辨识与自适应控制MATLAB仿真(第三版)
相关下载链接【不是我自己的资源,只是搜索的~】:系统辨识与自适应控制Matlab仿真 含pdf书和源代码-北航版下载-CSDN社区