船舶直线控制反步自适应神经网络算法

为了解决控制模型完全未知情况下非线性系统的控制问题,该文以船舶航向为控制对象,研究了径向基神经网络(RBFNN)方法.建立参数不确定的船舶运动的三阶非线性模型,针对系统的参数的不确定问题,提出了基于RBFNN估计的控制设计策略.利用神经网络对非线性参数不确定性进行了在线估计,然后利用反步法进行了控制器设计.RBFNN方法对于非线性系统提供了一种有效的解决方法,仿真结果证明了该方法的有效性.     

基于自适应输出反馈的船舶航向控制

针对复杂海情下的航向跟踪问题,提出基于神经网络的自适应输出反馈控制方法.利用Lyapunov稳定性理论,证明了该控制设计方法的稳定性.为克服航向角速度难以测量的问题,应用线性观测器进行状态估计,并结合神经网络拟合了复杂海况下的水动力不确定参数.为增强控制器的鲁棒性,对所设计的控制器进行了重新修正,使其具有更好的抗干扰能力.以一艘货船为例,进行了航向在10°和—10°间连续改变的仿真实验,结果表明设计的控制器具有船舶操纵的良好动态性能,且具有无超调、鲁棒性强的优点.     

船舶航向非线性系统自适应模糊补偿控制

摘要： 研究了船舶直航和谐波航向控制问题.基于Lyapunov稳定性理论,将自适应模糊补偿技术应用到船舶航向非线性响应模型中,利用万能逼近定理构造模糊系统逼近系统中的未知非线性,提出了一种基于自适应模糊补偿且带有物理约束二阶滤波器的鲁棒跟踪控制器.运动响应模型考虑了建模误差和外界干扰,模糊系统能有效地逼近非线性系统,控制器能够准确地跟踪预设航向和转首角速度.舵角控制结合舵机伺服系统模型,操舵情况符合物理现实. 数值仿真在相同控制参数下与传统比例 微分(PD)控制作比较,结果验证了自适应模糊控制器的有效性和优越性.     

船舶航向跟踪系统自适应滤波反步终端滑模控制

针对船舶航向非线性系统,提出了一种基于自适应滤波反步法的终端滑模控制器. 系统由二阶非线性野本模型和舵机响应模型串联组成,考虑了模型不确定性和外部干扰等未知项,并由模糊系统对未知项进行在线逼近. 首先引入二阶低通滤波器,避免了对虚拟控制律的解析求导,从而简化了反步控制器的设计,而且滤波器的低通特性可大大减小测量噪声的影响;然后利用滤波反步法的结果设计了终端滑模面,并最终得到了使系统跟踪误差有限时间收敛的终端滑模控制器. 根据Lyapunov理论证明了闭环系统所有误差变量均是一致最终有界的. 仿真结果验证了所提方法的有效性.      

船舶航向非线性系统自适应鲁棒自动舵的设计

考虑船舶航向控制系统模型中存在着非线性，并且在模型参数未知的情况下，利用Lyapunov稳定性理论，提出了一种具有积分功能的自适应鲁棒控制新算法，以5000t级杂货船为例，进行了自适应鲁棒自动舵设计，并利用Matlab的Simulink工具箱进行了仿真研究，结果证明该算法是十分有效的。     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

一类非线性多变量系统的模糊神经网络自适应控制

针对一类数学模型不完全确知并包含外部扰动的非线性多变量系统，提出一种模糊神经网络(FNN)自适应控制策略．用FNN模型在线辨识非线性系统的未知动态，并根据误差系统的Riccati方程，设计H∞控制，有效抑制系统的外部扰动，该控制律采用Lyapunov设计方法来保证控制系统的稳定．FNN自适应控制策略解决了传统非线性控制器理论结果形式过于复杂，实用性差的问题，拓宽了非线性理论的应用范围．     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

克隆选择辨识的船舶航向自适应PD控制

为解决船舶营运中存在的模型参数摄动和外界干扰的不确定性问题,提出一种船舶航向自适应PD控制算法.采用免疫克隆选择算法进行在线船舶模型辨识,将存在不确定干扰和模型摄动的船舶作为一个"黑箱",将短时间内的船舶状态在线辨识为二阶线性模型,根据系统预定性能要求动态调整PD控制参数,使船舶获得理想输出.对抗体初始种群采用最优模型保留和随机初始化相结合的策略,提高了不确定性问题的在线优化效率.对一个三阶非线性货船的仿真试验表明,该算法有效提高了PD控制器的稳态性能.     

基于RBF神经网络的船舶航向模糊控制

船舶自动舵性能的优劣直接关系到船舶的航行安全和经济效益，针对船舶运动具有非线性、大滞后等复杂性的特点，将神经网络和模糊控制应用于船舶运动控制中。仿真结果显示它不仅具有常规控制的性能，而且具有更强的鲁棒性和适应非线性对象的能力。     

一种基于模糊神经网络控制系统的构建方法

给出了在构造基于模糊神经网络的控制系统的过程中利用遗传算法优化输人向量维数的一种改进方法,在此基础上进一步给出了一种通过数据分类提取模糊推理规则的方法,并且将两种方法结合起来形成一种基于模糊神经网络控制系统的构建方法．     

基于BP神经网络的船舶航向智能PID控制研究

针对船舶航向控制非线性的特性,以船舶航向运动一阶KT模型为研究对象,设计了基于BP神经网络的自整定PID算法航向控制器。将传统PID与BP神经网络结合,对被控对象由BP神经网络进行辨识,给出PID控制参数,由PID控制算法进行控制并优化收敛速度。根据真实渡轮船舶特征参数,利用MATLAB/Simulink仿真软件建立船舶航向运动控制系统模型。仿真结果表明,基于BP神经网络的PID控制系统超调小、鲁棒性好,可长时间稳定工作,几乎无稳态误差,控制算法的实用性以及动态控制系统的优越性得到验证。     

噪声有源控制的简化模糊神经网络方法

研究了非线性噪声有源控制的问题,给出了一种简化的模糊神经网络控制方法。控制系统只有一个输入,需要比较少的参数,因此降低了计算负荷。系统的收敛速度明显快于全局逼近神经网络。     

基于模糊神经网络融合的温度控制方法

针对目前温度控制中存在的问题，研究设计了一种新的适合于非线性、惯性系统应用的动态控制的方法。采用了将具有简单有效的非线性控制作用的模糊控制技术与学习和自适应能力较强的人工神经网络技术相融合的方法，建立了模糊神经网络相融合的智能控制模型。文章详细地介绍了基于模糊神经网络的智能温度控制的实现过程。实际应用结果表明，系统具有较强的实时性和可靠性，不仅温度控制精度高，而且动态响应速度快。该控制方法的研究，为实现最佳温度控制提供了理论根据和有效方法。     

间接自适应动态递归模糊神经网络控制器设计

针对仿射非线性系统,提出了一种新型的基于动态递归模糊神经网络(DRFNN)的间接自适应控制器.该控制器采用DRFNN对系统的动态非线性映射进行在线估计,并依据李亚普诺夫稳定性理论推导出DRFNN参数在线调整的自适应算法,同时运用投影算法确保参数向量处于约束集合内.应用自适应DRFNN对动态非线性映射进行在线估计时,仅采用被控系统的1个状态变量作为其输入,避免了因增加输入个数而导致网络结构膨胀的问题,从而加快了收敛速度.仿真结果表明:由自适应DRFNN构成的控制器可使系统具有满意的跟踪性能.     

基于模糊神经网络的染色机温度控制

针对染色过程中温度控制系统具有严重的非线性以及较大的时间滞后性,无法精确建立数学模型的特点,设计了一种模糊神经网络控制算法．该算法能实现对恒温、升温、降温过程的分别控制,以达到提高控制效果的目的．提出模糊神经网络控制方法,并设计出相应的控制器,通过Matlab仿真及实际应用论证了该控制器的可行性．     

非线性大滞后系统的单神经元模糊预测控制

提出一种单神经元模糊预测PID控制策略,无需对复杂控制过程建立数学模型,只要检测过程的实际输出和期望输出,通过模糊预测控制修正单神经元PID控制规则,即可对非线性大滞后系统实现自适应控制.对于大滞后扰动系统,在稳定性、快速性、鲁棒性方面明显优于常规单神经元PID控制器.仿真结果表明,该方法应用于非线性大滞后系统具有良好的控制品质.     

基于神经网络模糊控制的单交叉口信号控制

在分析城市交通信号控制研究现状的基础上,提出一种基于神经网络模糊控制的单路口交通信号灯控制方法,通过检测当前相位的排队长度和下一相位的排队长度得出当前相位以及下一相位的车流密度,进而判断是否进行相位变换.以每个周期内交叉口的车辆平均延误作为控制指标,来判断该控制器的控制性能.计算机仿真结果表明,该方法能够降低车辆在交叉路口的平均延误.     

两层模糊神经网络交通信号控制模型

交叉路口信号的有效控制是减少车辆延误时间的关键,是保证城市交通顺畅的前提。以单交叉路口为研究对象,在仿真希腊学者Pappis提出的模糊控制方法基础之上,基于交叉路口的动态特性及模糊规则的一成不变,提出两层BP神经网络实现单交叉路口的模糊信号控制方法,在不同车流量情况下,使用MATLAB工具仿真实现,结果表明:所提出的模糊神经网络具有较强的学习、推理能力,对于车辆的平均延误时间有较好的改进。     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.