基于引导因子的神经元学习规则及其应用研究

作为神经网络控制的基本单元，采用不同学习规则的神经元控制器，对神经元的学习过程将产生不同的影响。本文通过对神经元学习规则的探讨，提出了一种基于引导因子的神经元改进学习规则，并将其用于实际控制系统中。仿真结果表明，改进的方法对于加速神经元学习过程，提高控制器性能，具有较为显著的作用。     

基于模糊逼近的非线性多时延系统的自适应跟踪控制

针对一类多输入多输出非线性多时延系统,提出了基于模糊逼近的自适应跟踪控制方案.该方案构建了基于模糊T-S模型的自适应时延模糊逻辑系统,用来逼近未知非线性时延函数.从而实现了对非线性系统的建模.根据跟踪误差给出了时延模糊逻辑系统的参数自适应律.设计了H_∞补偿器来抵消模糊逼近误差和外部扰动.基于Lyapunov稳定性理论,提出的控制方案保证了闭环系统的稳定性并获得了期望的H_∞跟踪性能.机械臂的仿真结果表明了该方案的有效性.