趙英寶，黃麗敏

（1.河北科技大學電氣工程學院，河北石家莊 050018；2.河北科技大學現(xiàn)代教育技術中心，河北石家莊 050018）

基于壓縮傳感的混沌自適應控制

趙英寶1，黃麗敏2

（1.河北科技大學電氣工程學院，河北石家莊 050018；2.河北科技大學現(xiàn)代教育技術中心，河北石家莊 050018）

提出了一種自適應混沌控制方法，僅根據(jù)輸出時間序列，利用壓縮傳感辨識混沌系統(tǒng)的方程與參數(shù)，利用負反饋控制混沌系統(tǒng)到設定目標上。以Lorenz和R?ssler系統(tǒng)為例說明時變結構系統(tǒng)的方程及參數(shù)的辨識與控制，首先估計出Lorenz系統(tǒng)方程并將其控制到固定點或周期振蕩上，當系統(tǒng)結構從Lorenz變化到R?ssler時可以快速辨識新結構及其參數(shù)，系統(tǒng)重新回到控制目標上。結果表明，與最小二乘法相比，該方法僅通過較少的數(shù)據(jù)即可實現(xiàn)模型結構與參數(shù)的同時估計，并有很高的估計精度，利用估計得到的模型和參數(shù)，再利用負反饋可以將混沌系統(tǒng)快速控制到設定目標上。

壓縮傳感；負反饋控制；模型估計；混沌控制；參數(shù)估計

動力學研究的正問題，即已知系統(tǒng)動力學方程和參數(shù)的情況下研究動力系統(tǒng)的演化或控制，已提出很多研究成果。而在未知方程或參數(shù)情況下，由系統(tǒng)輸出時間序列辨識動力學方程和參數(shù)，屬于動力學研究的逆問題，辨識系統(tǒng)方程和參數(shù)是對系統(tǒng)進行控制的重要前提。對于動力學系統(tǒng)的混沌控制，EDWARD等提出了混沌控制的OGY方法，它是一種不需要知道動力系統(tǒng)方程的控制方法［1］，之后提出了眾多有效的混沌控制方法，從系統(tǒng)方程和參數(shù)均已知［2－3］到系統(tǒng)方程已知參數(shù)未知［4－5］，均得到了良好的效果。對于未知方程的動力學系統(tǒng)，DITTO等首次將OGY方法應用于未知系統(tǒng)方程的實際物理系統(tǒng)實驗控制［6］；ALSING等利用人工神經網絡［7］、KOBRAVI等利用模糊邏輯方法逼近動力學方程，再執(zhí)行混沌控制，是一種離線控制方法，其辨識的結果并非動力學方程本身［8］；未知系統(tǒng)方程時，從完全未知的系統(tǒng)中估計方程存在困難，獲知系統(tǒng)方程的先驗知識，即指定系統(tǒng)的統(tǒng)一結構形式，GOUESBET等提出自治多項式結構［9］，BEZRUCHKO等提出非自治微分方程結構，然后利用最小二乘法估計方程和參數(shù)［10］，然而這種估計方法收斂速度慢且存在較大穩(wěn)態(tài)誤差。系統(tǒng)結構或參數(shù)的改變可能會產生邊界危機等不期望現(xiàn)象，為了解決由輸出時間序列估計系統(tǒng)動力學方程問題，WANG等提出了一種基于壓縮傳感的動力系統(tǒng)模型方程估計方法［11］。筆者基于該方法實現(xiàn)了未知系統(tǒng)方程的辨識及其混沌自適應控制。

利用壓縮傳感估計系統(tǒng)動力學方程，是基于可以將動力學方程表示成多變量冪級數(shù)展開形式，且僅有少數(shù)項的系數(shù)為非零這個基本假設，則模型系數(shù)可看成稀疏向量，動力學方程的估計轉化為求解欠定線性系統(tǒng)。DONOHO和CANDèS提出的壓縮傳感方法為求解此類欠定線性方程奠定了基礎［12－13］，并證明了可以利用部分傅里葉系數(shù)重建原始信號［14］。由于冪級數(shù)系數(shù)與結構項的對應關系，利用壓縮傳感求解欠定線性系統(tǒng)可以實現(xiàn)動力學方程和參數(shù)的同時估計。壓縮傳感的優(yōu)點在于信號的投影測量數(shù)據(jù)量遠小于傳統(tǒng)的采樣方法，突破了香農采樣定理的瓶頸［15］。利用壓縮傳感從含有少量觀測數(shù)據(jù)中重建源信號，近來在圖像處理［16］、數(shù)據(jù)通信［17］等領域得到了良好應用。

自適應控制都是已知系統(tǒng)方程而自適應估計系統(tǒng)參數(shù)。自適應控制和系統(tǒng)辨識密不可分。筆者提出的基于壓縮傳感的混沌自適應控制方法，首先利用壓縮傳感從觀測時間序列中辨識出未知系統(tǒng)的動力學方程及其參數(shù)，再利用負反饋控制方法將其控制到目標點或周期振蕩上。以Lorenz和R?ssler系統(tǒng)為例說明時變結構系統(tǒng)的辨識和控制，該方法實現(xiàn)了Lorenz系統(tǒng)方程和參數(shù)的快速辨識并進行混沌控制，當系統(tǒng)在某時刻由Lorenz系統(tǒng)跳變到R?ssler系統(tǒng)時，可以快速辨識出系統(tǒng)新的動力學方程和參數(shù)，實現(xiàn)控制混沌系統(tǒng)重新回到設定目標上。本控制策略對于實現(xiàn)時變結構非線性系統(tǒng)的混沌自適應控制非常有意義。

1 壓縮傳感原理

壓縮傳感是一種求解欠定線性系統(tǒng)稀疏解的方法，由于欠定線性系統(tǒng)中未知數(shù)的個數(shù)大于方程的個數(shù)，所以通常會有無窮多個解，但是如果系統(tǒng)有唯一的稀疏解，則人們可以通過壓縮傳感方法，利用較少的觀測量便能重建稀疏解。

壓縮傳感過程可分為信號的稀疏化、構建穩(wěn)態(tài)測量矩陣和利用重建算法恢復源信號3部分。壓縮傳感描述如下：已知某傳感矩陣φ∈RM×N，且N?M，稀疏向量x∈RN×1在矩陣φ下的輸出為y∈RM×1，即y＝φx，壓縮傳感的目的就是根據(jù)y重建x。當處理圖像或高維數(shù)據(jù)時應將其多維向量轉換為一維長向量。若x的時域信號是非稀疏的，可將其進行某種變換使其可以稀疏表示，常用的變換有傅里葉變換、小波變換和冗余字典等。為了重建源稀疏信號，觀測數(shù)據(jù)量必須滿足O（KlnN），其中K為源稀疏信號非零項的個數(shù)，且矩陣φ必須滿足約束等距條件［18］。對于源信號的恢復重建已有多種算法，文獻［14］已證明，利用測量值通過求解最優(yōu)l1－范數(shù)可重構x：

這是一個凸最優(yōu)問題，可以轉化為線性規(guī)劃問題求解，即基追蹤。其他重建算法還有匹配追蹤算法、最小全變分法等。

2 壓縮傳感估計方法

考慮如下n維動力系統(tǒng)：

其中x＝（x1，x2，…，xn）∈Rn為系統(tǒng)狀態(tài)變量，p為系統(tǒng)參數(shù)。

當系統(tǒng)在某參數(shù)p下演化時，獲得第i個系統(tǒng)狀態(tài)變量μ個測量值（xi（t1），xi（t2），…，xi（tμ）），并根據(jù)測量值求得），…，同時求得矩陣φ的μ個行向量?φ（t1），φ（t2），…，φ（tμ），由此獲得如下等式：

其中Ai為由系數(shù)（ai）j1，j2，…，jn組成的列向量，利用壓縮傳感便可以估計出Ai的值，由于Ai與系統(tǒng)各項存在對應關系，便可估計出系統(tǒng)的方程。為了滿足約束等距性，將矩陣φ的每個元素除以該元素所在列的2－范數(shù)。

3 模型辨識

Lorenz系統(tǒng)和R?ssler系統(tǒng)為研究非線性系統(tǒng)混沌現(xiàn)象的常用方法，是用于驗證混沌控制方法的常用對象，2個系統(tǒng)描述如下。

Lorenz系統(tǒng)：

當系統(tǒng)參數(shù)a＝10，b＝28，c＝8／3時系統(tǒng)處于混沌狀態(tài)。

R?ssler系統(tǒng)：

當系統(tǒng)參數(shù)d＝0.2，e＝0.2，f＝5.7時系統(tǒng)處于混沌狀態(tài)。

對于確定性系統(tǒng)而言，選取的冪指數(shù)越大意味著求取的向量越稀疏。以Lorenz系統(tǒng)取冪指數(shù)d＝3為例，在ti時刻，

共64項，由式（5）可見，對而言只有x（ti）1y（ti）0z（ti）0，x（ti）0y（ti）1z（ti）0這2項所對應的系數(shù)為非零，其余項所對應的系數(shù)皆為零；同理只有x（ti）1y（ti）0z（ti）0，x（ti）0y（ti）1z（ti）0，x（ti）1y（ti）0z（ti）1這3項為非零只有x（ti）1y（ti）1z（ti）0，x（ti）0y（ti）0z（ti）1這2項為非零。φ（ti）的系數(shù)向量為一稀疏向量，根據(jù)壓縮傳感原理，通過μ個的值和φ（t1），φ（t2），…，φ（tμ），可以估計出φ（ti）所對應的系數(shù)向量Ai非零系數(shù)向量同理可得。

由于未知系統(tǒng)方程形式，定義絕對誤差與相對誤差存在困難，利用估計值在某個滑動窗內波動范圍小于某一小的正實數(shù)ε來確定估計是否完成，即第i個系數(shù)在某時刻τ滿足

其中，j＞N且j∈｛τ－N＋1，τ－N＋2，…，τ｝，ε為估計精度。

4 負反饋混沌控制

根據(jù)測得的時間序列，按前述方法估計出系統(tǒng)的結構和參數(shù)，將估計得到的動力學方程按照文獻［3］的控制策略將混沌系統(tǒng)控制到設定目標上。

為了使2個系統(tǒng)都穩(wěn)定在x＝p1，y＝p2點上，

Lorenz控制輸入取為

R?ssler控制輸入取為

根據(jù)穩(wěn)定性條件＝0，參數(shù)d1，d2，d3，d4分別為

為了將系統(tǒng)控制到任意周期軌道上，用一個外部振蕩器產生正弦信號x＝p1＝rsin（ωt），y＝p2＝cos（ωt），代入式（9）、式（10）得到相應控制參數(shù)，將式（9）、式（10）代入式（7）、式（8）得到控制輸入。

5 仿真實驗

Lorenz系統(tǒng)的結構和參數(shù)辨識，取最大冪指數(shù)d＝3，共有64個系數(shù)，步長為0.01時，系數(shù)估計值隨時間序列向量個數(shù)的關系如圖1—圖3所示，可以看出，非零項快速收斂到其真實值，零項收斂到零。而利用遞推最小二乘法估計的結果收斂速度很慢且有較大的穩(wěn)態(tài)誤差，如圖4－圖6所示。根據(jù)非零系數(shù)與非零項的對應關系，便估計出了系統(tǒng)的動力學方程。

取初始值不同，完成辨識的速度也不同。對Lorenz系統(tǒng)而言，當步長取0.01，初始值選擇為x（0）＝2.5，y（0）＝－1.8，z（0）＝0.5時，按式（6）條件需要304個點才能完成估計，相同步長下初始值選擇為x（0）＝0.01，y（0）＝0.03，z（0）＝0.05時，只需207個點就可以完成估計。如果將估計參數(shù)按式（6）中ε精度舍入，則估計得到的方程就是Lorenz系統(tǒng)的實際方程。

當取p1＝2.5，p2＝－1時，第20s時施加控制，施加控制后系統(tǒng)變量很快被控制到了固定點上，而當?shù)?0s時結構發(fā)生了變化，由Lorenz系統(tǒng)變?yōu)镽?ssler系統(tǒng)，重新啟動系統(tǒng)辨識，經過一段時間后得到了時間序列新的動力學方程。在第60s時再一次施加控制，經過短暫幾秒系統(tǒng)重新回到目標點（x，y）＝（p1，p2）上，如圖7所示。將系統(tǒng)控制到產生周期振蕩上，取r＝5，ω＝3，如圖8所示，也得到了良好的效果。

對于系統(tǒng)結構的辨識其實收斂速度非?？欤瑘D8中從約第19s開始辨識，到第20s時已達辨識精度要求。辨識完成后開始實施控制，第60s只是施加控制的時間，只需不到2s便可辨識出新系統(tǒng)，而并非經過20s才能將系統(tǒng)辨識出來，圖8只是為了顯示更直觀一些。

當系統(tǒng)結構不變而參數(shù)發(fā)生變化時，如定點控制中，Lorenz系統(tǒng)參數(shù)b由28變成100時，控制系統(tǒng)會收斂到另一點上，由于不滿足約束等距性，這時利用壓縮傳感不能估計出系統(tǒng)方程。解決辦法是零控制輸入為零，讓系統(tǒng)回到混沌狀態(tài)，重新辨識參數(shù)后再施加控制。

6 結 論

主要研究了在未知混沌系統(tǒng)方程下僅通過時間序列控制混沌的方法，將系統(tǒng)方程辨識方法應用于混沌自適應控制的辨識過程中。相比于利用離線逼近方法控制混沌，本方法是一種在線的辨識；相比于無模型混沌控制，本方法是一種“已知”系統(tǒng)模型的混沌控制，可以實現(xiàn)輸出預測，避免邊界危機；相比于最小二乘法估計系統(tǒng)方程和結構，本方法收斂速度很快且?guī)缀鯖]有穩(wěn)態(tài)誤差。提出的基于壓縮傳感的混沌自適應控制方法實現(xiàn)了在未知混沌系統(tǒng)方程情況下，首先利用輸出時間序列估計出了Lorenz和R?ssler系統(tǒng)的方程和參數(shù)，并使用負反饋控制將混沌系統(tǒng)成功控制在某一固定點或周期振蕩上，系統(tǒng)方程辨識過程和混沌控制過程均有很快的收斂速度。該控制方法在保密通信、生物工程、控制工程等領域有潛在的應用，為混沌控制提供了一個新的思路。

［1］ EDWARD O，GREBOGI C，YORKE J A.Controlling chaos［J］.Physical Review Letters，1990，64（11）：1 196－1 199.

［2］ QU Zhi－lin，HU Gang，MA Ben－kun.Controlling chaos via continuous feedback［J］.Physics Letters A，1993，178（3／4）：265－270.

［3］ 羅曉曙，劉慕仁，方錦清，等.一種基于系統(tǒng)變量的線性和非線性變換實現(xiàn)混沌控制的方法［J］.物理學報（Acta Physica Sinica），2000，49（5）：849－853.

［4］ 關新平，彭海朋，李麗香，等.Lorenz混沌系統(tǒng)的參數(shù)辨識與控制［J］.物理學報（Acta Physica Sinica），2001，50（1）：26－29.

［5］ HUANG De－bin.Adaptive－feedback control algorithm［J］.Physical Review E，2006，73：1－8.

［6］ DITTO W L，RAUSEO S N，SPANO M L.Experimental control of chaos［J］.Physical Review Letters，1990，65（26）：3 211－3 214.

［7］ ALSING P M，GAVRIELIDES A，KOVANIS V.Using neural networks for controlling chaos［J］.Physical Review E，1994，49（2）：1 225－1 231.

［8］ KOBRAVI H R，ERFANIAN A.A decentralized adaptive robust method for chaos control［J］.Chaos，2009，19：1－7.

［9］ GOUESBET G，LETELLIER C.Global vector field reconstruction by using a multivariate polynomial L2approximation on nets［J］.Physical Review E，1994，49（6）：4 955－4 972.

［10］ BEZRUCHKO B P，SMIRNOV D A.Constructing nonautonomous differential equations from experimental time series［J］.Physical Review E，2000，63：1－7.

［11］ WANG Wen－xu，YANG Rui，LAI Ying－cheng，et al.Predicting catastrophes in nonlinear dynamical systems by compressive sensing［J］.Physical Review Letters，2011，106：1－4.

［12］ DONOHO D L.Compressed sensing［J］.IEEE Transactions on Information Theory，2006，52（4）：1 289－1 306.

［13］ CANDèS E J.Compressive sampling［A］.Proceedings of International Congress of Mathematicians［C］.Madrid：European Mathematical Society Publishing House，2006.1 433－1 452.

［14］ CANDèS E，ROMBERG J，TAO T.Robust uncertainty principles exact signal reconstruction from highly incomplete frequency information［J］.IEEE Transactions on Information Theory，2006，52（2）：489－509.

［15］ 李樹濤，魏 丹.壓縮傳感綜述［J］.自動化學報（Acta Automatica Sinica），2009，35（11）：1 369－1 377.

［16］ DUARTE M F，DAVENPORT M A，TAKHAR D，et al.Single－pixel imaging via compressive sampling［J］.IEEE Signal Processing Magazine，2008，25（2）：83－91.

［17］ TAUBOCK G，HLAWATSCH F.A compressed sensing technique for ofdm channel estimation in mobile environments exploiting channel sparsity for reducing pilots［A］.The IEEE International Conference on Acoustics，Speech，and Signal Processing［C］.Las Vegas：IEEE，2008.2 885－2 888.

［18］ CANDèS E，TAO T.Decoding by linear programming［J］.IEEE Transactions on Information Theory，2005，51（12）：4 203－4 215.

［19］ 陳予恕，梁建術.自適應延時反饋控制混沌方法［J］.河北科技大學學報（Journal of Hebei University of Science and Technology），2006，27（4）：267－271.

［20］ 梁建術，李 蘭.一類參數(shù)不確定R?ssler系統(tǒng)的自適應反推混沌控制［J］.河北科技大學學報（Journal of Hebei University of Science and Technology），2009，30（4）：285－289.

Adaptive control of chaos based on compressive sensing

ZHAO Ying－bao1，HUANG Li－min2
（1.College of Electrical Engineering，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China；2.Modern Education Technology Center，Hebei University of Science and Technology，Shijiazhuang Hebei 050018，China）

An adaptive chaos control method is proposed，using compressed sensing to identify equations and parameters of chaotic systems based only on the output time series，and using negative feedback control of chaotic system to set goals.Lorenz and the R?ssler system is used to illustrate the identfication and control of equations and parameters of the time－varying structure system.First the Lorenz system is controlled to a fixed point or periodic oscillations.When the structure changes to R?ssler，the new structure and its parameters is recognized，and the system retruns to the control objectives again.The results show that，compared to least－squares method，the method can be realized with less data，while the model structure and parameters are estimated with high accuracy.Then negative feedback can be used to control rapidly the system to the set goals.

compression sensing；negative feedback control；model estimation；chaos control；parameter estimation

TP273＋.2

A

1008－1542（2012）03－0248－05

2011－12－24；責任編輯：陳書欣

趙英寶（1972－），男，河北張家口人，講師，主要從事電力電子、模糊控制方面的研究。