基于DRNN的机器人轨迹跟踪自适应控制

针对模型未知和动力学非线性机器人轨迹跟踪,提出了一种基于分布式动态回归神经网络（ＤＲＮＮ）的自适应控制方法．该方法在ＰＤ动态反馈控制的基础上,引入神经网络辨识器（ＮＮＩ）在线逼近对象的非线性动力学,并设计出神经网络自适应控制器（ＮＮＣ）来补偿机器人动力学非线性造成的误差．仿真结果表明该控制方案具有良好的跟踪性能和较强的鲁棒性．     

多连杆柔性关节机器人的神经网络自适应反演控制

针对模型不精确的多连杆柔性关节机器人的关节运动控制问题,提出一种新的神经网络自适应反演控制算法.该控制算法借鉴单连杆柔性关节机器人的一种神经网络自适应反演算法,在反演过程中,将系统非线性未知项与已知项分开并利用径向基神经网络在线逼近非线性未知项;对这种单连杆柔性关节机器人的神经网络自适应反演算法进行改进,构造出新的非线性项,并对转子惯性矩阵的估计转化为对转子惯量矩阵对角元素的估计;根据李雅普诺夫函数的稳定性设计出适用于多连杆柔性关节机器人的控制律与参数自适应律,从而实现多连杆柔性关节机器人的关节轨迹跟踪控制.仿真试验结果表明,与一般的比例-微分控制算法相比,该算法具有更好的轨迹跟踪性能.此外,神经网络节点数取值较小时,该算法也能够保证一定的轨迹跟踪精度.     

谐波驱动系统自适应神经网络动态面控制

针对谐波驱动系统动力学模型中存在的非线性摩擦、柔性变形和外界未知干扰力矩等因素的问题,为了提高系统的位置跟踪精度,提出了一种基于径向基函数(RBF)神经网络的谐波驱动系统自适应动态面控制.采用LuGre摩擦模型描述系统的非线性摩擦特性,用RBF神经网络在线逼近摩擦参数变化和外界未知干扰力矩对系统的影响,并通过李雅普诺夫稳定性理论证明了闭环系统的所有误差最终一致有界.仿真结果表明:与普通动态面控制相比,本控制策略对摩擦参数变化和外界未知干扰力矩具有较强的鲁棒性,提高了系统的位置跟踪精度.     

受限机械臂的自适应小波滑模位置/力混合控制

针对终端运动受约束的机械臂位置/力混合控制问题,提出了一种自适应小波滑模控制算法.该控制方案将滑模控制的鲁棒性及自适应调整能力与小波神经网络相结合,根据坐标变换得到降阶位置/力模型,针对降阶模型采用小波神经网络在线学习系统未知动力学模型中的非线性部分,同时引入滑模控制自动调整小波网络权值参数,从而对神经网络的固有逼近误差进行有效补偿,达到期望的跟踪性能.二自由度机械臂的仿真结果表明该控制器能保证系统快速有效跟踪指定参考信号.     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.     

基于神经网络自适应控制的磁滞类间隙补偿

利用连续时间动态微分方程描述磁滞非线性特性,采用两个神经网络函数分别逼近未知的非线性函数和磁滞模型的扰动误差,结合反步法提出一种自适应控制方案。仿真结果表明,系统具有良好的跟踪性能和全局稳定性。     

电液伺服系统的小波自适应鲁棒反演控制

针对电液伺服系统,提出了一种小波自适应鲁棒反演控制方法.用两个小波神经网络来逼近电液伺服系统中的模型未知部分、参数不确定项和虚拟控制的导数,所有小波神经网络的参数均实现在线调节.控制律和自适应律的设计保证了闭环系统一致且最终有界,从而达到对非线性电液伺服系统稳定跟踪控制的目的.鲁棒补偿器的设计进一步改进了电液伺服系统的跟踪性能.仿真结果表明,该方法能较好地满足控制精度的要求,同时系统具有较强的适应性和鲁棒性.     

一类非线性滞后系统的自整定PID控制

针对采用传统PID控制一类非线性滞后系统,难以获得满意的控制效果,提出基于RBF神经网络的PID控制参数自整定的方法.利用具有在线能力的最近零聚类学习算法,训练RBF神经网络,从而自适应调整系统的控制参数.仿真结果证明了,该控制策略不仅能使非线性滞后系统具有良好的动态跟踪性能,而且具有很好的抗干扰能力.     

非线性系统的神经网络自学习控制

提出了一种对非线性系统的神经网络自学习控制方法,基于逆动力学控制的思想,构造了神经网络结构一致的控制器和辩识器。辨识器采用多层前向网络结构和广义Ｄｅｌｔａ学习规则算法实现了对系统逆动力学模型的动态辨识,并通过在线动态传递权值给神经网络控制器的方法实现了神经网络辨识器的神经网络控制器的有机结合,从而使整个控制系统具有很强的自适应和自学习能力,所提出的控制方案可适用于不含滞后环节和包含滞后环节的非线性     

一类不确定非线性系统基于SVR的Backstepping自适应跟踪控制

针对含有不确定非线性扰动项的一类非线性系统,结合支持向量回归理论,采用Backstep-ping控制方法设计自适应非线性控制器.在分析满足Backstepping设计条件的一类非线性系统结构形式的基础上,应用支持向量回归辨识并补偿系统不确定项及未知扰动,基于Lyapunov稳定性理论,选取Lyapunov函数,证明闭环系统最终一致有界,且跟踪误差指数收敛.通过对典型系统仿真分析表明,相比于径向基神经网络自适应Backstepping控制方案,支持向量回归因其内部参数由训练优化产生,不依赖先验经验及外界干预,适应性较好,对参考指令信号跟踪收敛快,稳态误差小,控制方案有效,且系统具有一定鲁棒性.     

基于RBF神经网络的全向智能轮椅自适应控制

在外界扰动为有界不可测条件下,利用径向基函数(radial basis function,RBF)神经网络在线逼近全向智能轮椅的非线性逆运动学模型,提出对轮椅轨迹跟踪的直接自适应控制方法.首先,在分析全向智能轮椅平台动力学模型的基础上,设计了基于径向基函数神经网络的全向智能轮椅自适应控制器;并进一步利用李雅普诺夫稳定性理论,证明了在外界扰动及神经网络权值误差逼近有界的条件下,该控制器在全向智能轮椅轨迹控制中跟踪误差的一致稳定且有界;最后,通过全向智能轮椅轨迹跟踪仿真实验,验证了所提出控制方法的有效性和稳定性.     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .     

基于计算力矩法的永磁球形电动机轨迹跟踪控制

永磁球形电动机动力学系统是一个多变量、非线性、强耦合系统.外部扰动、参数估计误差以及模型的近似均会影响系统的控制效果.为了获得良好的静态和动态性能,改善轨迹跟踪性能,提出了一种基于计算力矩法的永磁球形电动机轨迹跟踪控制策略.仿真结果表明,此方法可有效地削弱各轴向间非线性交叉耦合的影响,对外部扰动和模型误差具有良好的鲁棒性,可实现理想的轨迹跟踪控制效果.     

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应系统的辩识器和控制器来构成自适应控制系统。由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律。仿真结果表明,该系统比一般神经网络控制系统具有调节速度快和超调小等更好的控制效果。     

基于自适应反步法的自主水下机器人变深控制

为实现自主水下机器人(AUV)的高精度变深控制,基于AUV垂直面的运动学和非线性动力学模型,提出了神经网络自适应迭代反步控制方法,设计了运动学和动力学控制器.文中首先考虑AUV非线性模型的攻角和水动力阻尼系数的不确定性,设计神经网络控制器来对纵倾运动中的非线性水动力阻尼项和外界海流干扰作用进行在线估计,并基于Lyapunov稳定性理论设计神经网络权值的自适应律,保证系统闭环信号的一致最终有界.最后通过两组仿真实验,比较了所设计的控制器在设定控制器增益参数下的系统响应和在扰动作用下的变深控制性能,结果表明,所设计的控制器具有较小的稳态误差和较高的跟踪精度.     

非线性系统的自适应输出反馈优化跟踪控制

针对只有输出信号可测且不可测状态与未知非线性函数相关,同时还受到外部扰动的非线性系统,提出了一种自适应神经网络动态面优化控制方法,旨在解决该类非线性系统的输出反馈跟踪问题。首先,构建了基于径向基函数神经网络的状态观测器,保证其观测误差可渐进收敛至0;其次,利用动态面技术设计了自适应输出反馈控制律;最后,利用最速下降法选取了最优控制参数,优化了控制输入和跟踪性能,减轻了控制参数整定的工作量。该方法能够保证闭环系统所有信号半全局一致有界,而且通过引入性能函数和跟踪误差转换,保证系统输出具有指定的跟踪性能,改善了控制系统的过渡性质。仿真结果表明:设计的状态观测器较准确地实现了对系统信号的估计,跟踪误差信号幅值始终不超过0.02,控制参数优化后的输入信号幅值明显减小,验证了该控制方法的有效性。     

具有死区输入的不确定分数阶混沌系统的同步

针对一类具有死区非线性输入和外部扰动的不确定分数阶混沌系统同步问题,提出一种模糊神经网络结合自适应滑模控制的同步方法.利用模糊神经网络逼近未知的非线性函数,并且对逼近误差采用自适应控制进行补偿,同时构造了一种具有较强鲁棒性的分数阶积分滑模面.应用分数阶Barbalat引理和分数阶稳定性理论,设计自适应模糊神经网络滑模控制器和参数自适应律.数值仿真结果验证了该控制方法的有效性.     

基于RBF神经网络的直接模型参考自适应控制

大多数的现代被控对象均具有非线性的特性,使得采用传统的PI、PID控制很难取得较好的控制效果.人工神经网络,在一定条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力.故将其应用于非线性严重的装置的控制,可充分发挥其非线性映射能力和自学习、自适应、自组织的能力,实现对非线性装置的高性能控制.相比于Sigmoid激发函数的BP神经网络,RBF神经网络具有更简洁的网络结构和更快的收敛速度且可避免收敛于局部极值点,使得RBF神经网络更适合于在线应用同时也具有更好的控制效果.本文采用RBF神经网络构成神经网络NN进行自适应控制.为进一步加快神经网络的学习收敛速度,本文采用变学习速率的神经网络学习算法,学习速率随收敛过程误差的大小而自适应地进行调整,这可大大加快神经网络学习训练的收敛速度.本文对RBF神经网络直接自适应控制策略应用于非线性被控装置的控制进行了仿真研究,仿真结果表明,系统的动态响应快,超调小,稳态精度高,有较强的跟踪能力,具有较好的控制效果.     

基于Lyapunov稳定性的自适应神经网络控制方案

提出了一种基于Lyapunov稳定性的自适应控制律,使用神经网络模型综合分析非线性动力学系统的控制问题.基于Lyapunov稳定控制律开发出了一种改进的自适应神经网络控制方案,并给出了具有未知非线性一阶仿射系统的仿真控制演示,实验结果表明该神经网络自适应控制方案具有良好的非线性控制能力.     

基于FCMAC干扰观测器的飞行器非线性控制

为解决反馈线性化(FL)方法的控制性能过于依赖精确系统模型的问题,提出了一种自适应的非线性控制策略,并应用于升力式飞行器的控制器设计.利用模糊小脑模型神经网络(FCMAC)良好的非线性逼近能力和自学习能力,设计了基于FCMAC的干扰观测器,对模型的不确定性和干扰进行在线估计.其网络权值更新规则采用李亚普诺夫方法设计,保证了闭环系统跟踪误差和干扰观测误差的有界.6自由度仿真结果显示该控制方案可实现姿态角对制导指令的稳定、快速跟踪,具有良好的鲁棒性.