多输入多输出非线性最小相位系统的自适应模糊控制

针对多输入多输出非线性最小相位系统,把自适应模糊控制和自适应模糊辨识结合起来,提出了一种自适应模糊控制方案.设计辨识器用来辨识系统的未知部分;然后由跟踪误差和辨识误差给出了参数调节规律,两种误差同时调节参数改善了系统性能.模糊逻辑系统用来估计未知函数.控制方案保证了系统的稳定性,实现了有界跟踪.仿真结果表明了该方案的可行性.     

离散非线性系统的神经网络预测控制及其在AUV中的应用

针对一类不确定离散非线性系统,提出了一种神经网络预测控制算法.考虑系统中的不确定项,建立神经网络辨识模型作为预测模型.为减少重构误差对系统的影响使用了反馈校正技术.为提高控制性能引入了一种动态补偿器来镇定跟踪误差系统.所提出的控制算法保证了闭环系统的所有信号都是有界的.最后,针对AUV中的路径跟踪问题对所提出的控制算法进行仿真应用,仿真结果说明了算法的有效性.     

不确定非线性系统的周期信号自适应跟踪

考虑不确定非线性系统的周期信号的自适应跟踪问题. 系统的不确定性不能参数化,周期信号由一非线性系统产生.提出了跟踪周期信号的自适应控制律. 此控制律保证了闭环系统所有的信号有界和跟踪误差趋于零. 已有的有关的周期信号跟踪控制律只能保证跟踪误差的平方在一周期上的积分趋于零.     

基于神经网络的时变非线性系统迭代学习辨识

时变神经网络结构可简单地取为常规神经网络连接形式,但连接权却是时变的.如何确定时变权是应用时变神经网络时的难题.迭代学习方法是一种合理的选择,它不同于将时变连接权展成Taylor级数,通过训练多项式系数的处理方法.而且,后者的处理方式不可避免地存在截断误差.对于有限区间连续时变非线性系统的神经网络建模与辨识,借助于重复运行过程,以迭代学习算法调整权值,进行网络训练.不计逼近误差,提出的学习算法能够使得辨识误差在整个区间上渐近收敛于零.为处理非零但有界的逼近误差,采用带死区的迭代学习算法.逼近误差界值已知时,文中证明带死区修正的迭代学习算法使得辨识误差在整个区间上渐近收敛于由死区界定的邻域内.对于逼近误差界值未知的情形也进行了讨论.     

不用饱和函数的重复学习控制

考虑一类高阶不确定非线性系统的跟踪控制问题,系统的控制系数是一个依赖于系统输出的未知函数.许多常见的机械和电机控制系统是这类系统的特例.文章提出了一种不采用饱和函数的重复学习控制方法,该方法能保证闭环系统中所有信号有界,且跟踪误差和期望输入的估计误差都趋于零.最后,举了一个仿真例子,仿真结果显示,跟踪误差和期望输入的估计误差很快地趋于零,这说明了文章方法的有效性.     

Hénon混沌系统的模糊广义预测控制与同步

针对Hénon混沌系统,本文给出了一种基于T-S模糊模型的混沌系统广义预测控制算法。该方法将模糊辨识和广义预测控制结合起来应用到Hénon混沌系统中。首先,应用T-S模糊模型对Hénon混沌系统进行辨识,模糊聚类法辨识模型的前件参数,递推最小二乘法辨识结论参数。基于辨识模型,采用广义预测控制算法对其进行控制,实现了系统的跟踪与同步。仿真结果表明,与其它算法相比,该算法能够保证系统输出快速、有效地跟踪设定值。     

一类非仿射非线性系统的神经网络自适应跟踪控制

考虑了一类具有零动态的非仿射非线性不确定系统的神经网络直接自适应跟踪控制问题.控制信号由神经网络系统直接产生,无需另外设计系统估计器及鲁棒控制项.采用梯度下降方法以最小化神经网络控制器与未知理想控制器的误差代价函数产生神经网络白适应参数更新律.应用Lyapunov方法证明了闭环系统的稳定性及跟踪误差和相应闭环系统的所有状态最终一致有界性.最后针对带有外部扰动的非仿射非线性系统的仿真结果验证了该文方法的有效性.     

基于自抗扰控制器的CNC雕刻机控制系统轮廓误差控制

针对CNC雕刻机控制系统因时变时延影响轮廓跟踪精度的问题,设计了基于自抗扰控制的单轴轨迹跟踪控制器和基于非线性PID(NLPID)的轮廓误差补偿控制器.首先,针对单轴轨迹跟踪控制,将时变时延引起的不确定性处理成系统总干扰的一部分,设计扩张状态观测器(ESO),对系统内外总干扰和系统状态进行实时估计,并设计误差补偿控制律,实现系统干扰的估计和补偿,得到良好的单轴轨迹跟踪控制性能.然后,根据轮廓误差估计值,设计基于NLPID的轮廓误差补偿控制器,对系统轮廓误差实时补偿,实现了良好的轮廓跟踪控制性能.最后,通过实验验证了所提方法的有效性.     

变量带误差系统的递推辨识:从线性到非线性系统

介绍变量带误差(EIV)系统的递推辨识方法.在引言中扼要介绍了EIV系统辨识的现状后,分别对多变量线性EIV系统及EIV Hammerstein系统给出了递推辨识算法,并给出条件使这些估计以概率1收敛到真值.最后提出了一些值得进一步研究的问题.     

基于可分离组合式信号的Hammerstein输出误差滑动平均系统辨识研究

考虑实际生产过程中的不可测噪声,提出一种基于可分离组合式信号的Hammerstein输出误差滑动平均系统辨识方法.通过可分离组合式信号源实现了Hammerstein输出误差滑动平均系统中静态非线性环节和动态线性环节的分离,解决了中间不可测变量的估计问题.基于辅助模型辨识思想和相关分析法估计Hammerstein输出误差滑动平均系统中静态非线性和动态线性环节的参数,避免了采用迭代法辨识Hammerstein模型时存在模型参数初始化和收敛性难以证明的问题,并有效补偿噪声信号的干扰.仿真结果验证了上述方法的有效性.