非线性系统的积分变结构间接自适应模糊控制

讨论了一类不确定非线性系统的间接自适应模糊控制问题．基于变结构控制原理，并利用具有线性可调参数的模糊系统去逼近过程未知函数，提出一种具有监督控制器的积分变结构自适应模糊控制方法．该方法通过监督控制器保证闭环系统所有信号有界．进一步通过引入最优逼近误差的自适应补偿项来消除建模误差的影响．理论分析证明了跟踪误差收敛到零．仿真结果表明了该方法的有效性．     

非线性系统的积分变结构间接自适应模糊控制

讨论了一类不确定非线性系统的间接自适应模糊控制问题 .基于变结构控制原理 ,并利用具有线性可调参数的模糊系统去逼近过程未知函数 ,提出一种具有监督控制器的积分变结构自适应模糊控制方法 .该方法通过监督控制器保证闭环系统所有信号有界 .进一步通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 .理论分析证明了跟踪误差收敛到零 .仿真结果表明了该方法的有效性     

不确定性系统的神经网络变结构控制

结合神经网络理论与变结构控制理论,提出一种基于神经网络的变结构滑模控制方案,该方案不依赖于系统的数学模型,它对外干扰和非线性不确定性都具有较强的鲁棒性,并能削弱抖振的发生,仿真结果表明该方法对非线性不确定性系统控制的有效性。     

变结构模型参考自适应控制：一种切换方法

将处理对象对阶为1、控制增益可切换的鲁棒变结构模型参考自适应控制方案推广到对象为任意相对阶时的一般情形。主要结果是：1）.当对象相对阶大于1时，首先得到了系统跟踪误差与辅助误差与辅助误差间关系的明确表达式，进而证明，平均值滤波器对系统的影响从某种意义上相当于一个未建模动态对系统的影响；2）.若恰当选择平均值滤波器的时间常数，则对各辅助子系统（均为相对阶为1的子系统），只要按相对阶为1时所提出的变结构律进行设计，使它们满足预先给定的性能指标，就可保证系统跟踪误差在预先给定的过渡过程时间内收敛到一个残差集中。     

基于多层神经网络的鲁棒自适应控制

针对一类不确定非线性动态系统，基于一种修改的Lyapunov函数，并利用多层神经网络系统（MNNs）的逼近能力，提出了一种鲁棒自适应神经 网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界，而且可保证闭环系统的跟踪误差渐近收敛到零。仿真试验表明了该控制算法是有效的。     

并联机器人轨迹跟踪积分变结构控制的研究

根据并联机器人控制的特点，将积分变结构控制理论应用于半联机器人的轨迹跟踪，同时引入了趋近律。给出了积分变结构控制规律。仿真表明，该方法对并联机器人轨迹跟踪具有很好的控制效果。     

线性不确定系统的自适应近似变结构控制

讨论一类具有不确定性未知范数上界的线性系统 ,设计一种自适应近似变结构控制方案 ,对不确定性的未知范数上界进行实时在线估计 ,使所得系统在有限时间内到达滑模带 ,利用 Lyapunov直接方法证明系统是一致最终有界 ,同时设计的控制器是连续的。仿真结果说明了算法的有效性     

一类自适应神经网络控制器的设计

针对一类具有下三角形式的多重时滞非线性系统,研究了基于小波神经网络的自适应控制器设计方案.应用后推(backstepping)设计方法在递推的每一步设计一个Lyapunov-Krasovskii泛函并在最后一步得出控制u.应用Lyapunov-Krasovskii泛函稳定性定理证明了该控制器能保证闭环系统是半全局最终一致有界的(SGUUB).仿真实例验证了该控制器的有效性.     

不确定非线性系统的直接自适应变结构控制

针对同时存在参数及结构不确定性的一类非线性系统，研究其在未知据动作用下的输出跟踪问题，基于李亚普诺夫稳定性理论提出了一种直接自适应滑模控制津，讨论了自适应律的收敛性，从理论上证明了闭环系统存在滑动模态，参数估计值收敛，系统信号保持有界，并给出仿真实例。     

非线性系统的稳定自适应模糊变结构控制

针对一类高阶非线性系统提出了一种稳定的自适应模糊变结构控制方案 ,它既可以利用模糊描述信息 ,又可以利用变结构控制 .并提出了参数适应律 ,保证有关参数的有界性 ,并用李雅普诺夫方法保证了系统的全局稳定性 .该文的控制算法有良好的控制性能     

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.     

基于动态面控制的MIMO自适应神经网络控制

针对一类具有未知函数控制增益的多输入多输出(M IM O)非线性系统,基于后推设计方法和动态面控制技术,提出一种间接自适应神经网络控制方案.该方案通过引入1阶滤波器,消除了后推设计中由于反复对虚拟控制的求导而导致的复杂性问题,并避免了反馈线性化方法可能出现的控制器奇异性问题,参数估计无需使用投影算法.利用李亚普诺夫方法,证明了闭环系统半全局一致终结有界,通过适当选取设计常数,跟踪误差可收敛到原点的一个小邻域内.仿真结果表明了该方法的有效性.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

基于自适应神经网络的歼击机模糊跟踪控制

提出了一种基于T-S模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,利用T-S模糊模型对系统的已知特性进行近似建模,设计基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.在模糊控制的基础上,引入了基于RBF神经网络的自适应控制,用于在线对消不确定项和模糊建模误差的影响,以保证系统具有期望的鲁棒H∞跟踪性能.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

基于神经网络模型的扩展优化自校正预测控制

利用前馈神经网络权初值优化的快速BP算法建立对象的非线性预测模型,采用分段线性化的技术建立动态线性模型,基于该线性模型进行滚动优化,同时用非线性预测模型对其进行补偿,实现对具有时延的非线性系统的预测控制,较好地解决了非线性系统存在时变、模型失配等情况下的控制问题。仿真实验表明由它构成的控制系统具有很好的动态响应和较强的鲁棒性。     

神经网络模型参考自适应控制算法研究

分析了基于BP算法的神经网络模型参考自适应控制器对大惯性环节被控对象的控制效果,发现该算法使控制器存在严重的“过学习”现象,为避免这一现象,设计了一种新的误差函数结构,得到改进的BP算法,针对一个存在大惯性环节的线性时变系统,对比分析了神经网络模型参考自适应控制器在采用传统的BP算法和改进的BP算法时得到的不同控制效果。     

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。     

电液伺服系统的增益自适应滑模变结构控制

为实现对电液伺服系统非线性、不确定性和未建模动态等因素的有效补偿,将系统转换成具有自适应动态递归模糊神经网络(ADRFNN)辨识误差,即二次不确定性的等效线性数学模型,利用增益自适应滑模变结构控制(GASMC)方法对系统进行综合设计.实验结果表明:ADRFNN的高精度在线辨识和GASMC校正项的增益自适应功能使系统具有较强鲁棒性和更高的稳态精度,同时使系统控制量的颤振现象得到有效抑制.     

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.