不确定非线性组合系统基于神经网络的鲁棒控制

针对不确定非线性组合系统,基于神经网络提出了一种新的鲁棒控制器设计方法·利用神经网络逼近系统的未知扰动和互联项·首先考虑不确定非线性组合系统的标称系统并且设计相应的标称控制器;其次考虑系统的未知扰动和互连项,设计了校正控制信号并把它加入了标称控制器中,这种设计方法可以保证实际系统具有最终一致有界的特性·控制信号是光滑的且不需要预先知道神经网络连接权或模型误差的上界·最后给出一个数值的例子,仿真结果表明该方法的有效性·     

执行器故障检测的神经网络观测器方法

针对一类非线性系统,提出了一种用于执行器故障检测的神经网络观测器方法·这种非线性系统具有未知非线性函数,不需要满足结构匹配条件,并且不要求系统状态可测·观测器利用神经网络器逼近系统中的未知非线性项,提高了状态估计的精度·估计的残差提供了故障检测的手段,另一方面利用自适应律进行故障的识别·基于李亚普诺夫方法,从理论上证明了状态估计误差稳定且渐近收敛到零·最后,仿真结果表明该方法的有效性·     

一类非线性不确定相似组合系统的鲁棒镇定

利用相对度给出了对非线性组合大系统相似结构的刻划,讨论了这种具有相似结构的非线性组合系统的鲁棒镇定问题·采用输入输出线性化与变结构控制相结合的方法设计出鲁棒控制器以确保系统在其平点处是渐进稳定的·结果表明系统的相似结构简化了对系统的分析与设计·     

待发表文章摘要预报

不确定组合系统的分散动态状态反馈控制刘粉林 ,张嗣瀛讨论了不确定组合大系统的分散动态状态反馈问题 ,不确定项满足通常的匹配条件·针对不确定项界未知的情形 ,通过设计分散动态状态反馈控制器 ,使系统渐近稳定·仿真结果表明 ,设计方法是有效的·基于嵌入式多信息源的联合评价系统状态的方法徐凌宇 ,杜庆东 ,赵　海介绍了一种远程多源信息联合评价系统运行状态的方法及在水电系统中对大型设备的远程监控·其原理是利用嵌入式信息源获取信息 ,直接通过Ｉｎｔｅｒｎｅｔ传送到控制中心 ,中控计算机将采集到的各类信息用模糊 +神经网络进行…     

不确定相似广义组合系统的鲁棒控制器设计

研究了一类具有相同线性结构的相似广义组合系统,其互联项是非线性的,而且含有不确定性·运用lyapnov方法,结合组合系统本身的结构特点和一般广义系统理论中状态反馈、受限等价概念,设计了状态反馈鲁棒控制器,使系统在平衡点处全状态渐近稳定且在状态响应中不包含脉冲项·由于受控系统具有相似结构,控制器本身也具有相似结构,因此易于工程实现·同时,根据不同控制器之间的相似性,毁坏的控制器也易于重新实现·研究结果表明,相似结构可以简化广义组合系统的分析和设计·     

α射线露点传感器温度跟踪补偿

介绍了采用半导体探测器和温度传感器研制成的α射线露点传感器的工作原理·分析了α射线露点传感器的温度特性,表明测量范围较宽时,传感器的输出易受环境温度的影响,并且呈非线性·提出一种基于神经网络共轭梯度算法的α射线露点传感器温度跟踪补偿方法·利用神经网络共轭梯度算法具有逼近任意非线性函数的特点,通过训练使神经网络建立在不同环境温度下传感器输出与其实际感受的电压值之间的非线性映射关系,实现α射线露点传感器温度补偿·计算机仿真表明,该方法不仅能有效地消除温度的影响,而且能在神经网络的输出端得到期望的线性输出·     

具有强不确定性大系统的H_∞分散控制器设计

具有强不确定性的组合大系统控制难点在于其互联项对子系统的强大干扰·针对这个问题,提出了一种H∞分散控制器设计方法·将控制器的设计归结为解一组局部代数Riccati方程·不确定项可分成两部分:结构部分和有界部分·结构部分的不确定性界可以是任意大的,并且是可以不满足匹配条件的·所设计的控制器由两部分组成,保证具有强互联不确定性的组合系统是具有干扰衰减指数γ的分散可稳的·为了克服解Riccati方程的困难,LMI方法被用于分散控制器的设计·     

基于FCMAC干扰观测器的动态逆再入制导

针对升力式飞行器不确定的非线性模型,提出了基于模糊小脑模型神经网络(FCMAC)干扰观测器的动态逆再入轨迹跟踪制导律.首先采用非线性动态逆设计阻力加速度-能量标准轨迹的跟踪方法;然后利用FCMAC网络良好的非线性逼近能力、泛化能力和自学习能力,设计干扰观测器对模型的不确定性和外部干扰进行在线补偿;最后给出了闭环误差系统的鲁棒稳定性证明.仿真结果表明:FCMAC干扰观测器通过在线重构逆误差,降低了动态逆方法对模型的依赖,增强了跟踪系统的鲁棒性.     

广义互联大系统的相似结构和鲁棒镇定

运用Lyapunov方法和广义系统的第一等价形式,研究了具有非线性互联项和不确定性的广义互联大系统·以导数比例状态反馈和受限等价为基础定义了受控系统的相似结构,并根据标称系统的能控性给出了相似结构的一个简明判别法·设计了具有相似结构的鲁棒分散控制器,使得闭环系统正常化且渐近稳定·由于分散控制器的相似结构,只需一个控制器和相似参量,就可以得到所有的控制器,因此易于工程实现·     

多变量系统的神经网络解耦新方法

利用前馈补偿的原理,设计了两种多变量系统的神经网络解耦方法·一种利用神经网络实现前馈补偿,使补偿以后的系统实现解耦,且解耦单变量系统具有原对象主通道的特性·第二种方法将解耦和神经网络逆动态控制结合起来,使对象的输出跟随对应输入值的变化·两种方法均可适用于多变量非线性系统     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

基于动态递归神经网络的动态矩阵控制

给出了利用动态递归神经网络 (DRNN)重构一个非线性动态过程的方法 ,对权值调整算法进行了推导。采用的动态递归神经网络具有非线性系统状态观测器的结构特征 ,容易实现并进行稳定性分析。利用训练好的网络作为预估模型 ,设计了基于DRNN的动态矩阵控制算法。仿真结果表明了权值调整算法和控制策略的有效性     

一类耦合系统的直接自适应神经网络控制

针对一类具有未知常数控制增益的耦合大系统，根据滑模控制原理，利用多层神经网络的逼近性质，提出了一种直接自适应滑模控制器的设计方案．通过在线调节神经网络的连接权、滑模控制增益，实现了对动态不确定性及建模误差的自适应补偿．利用李亚普诺夫方法，证明了自适应控制系统是全局稳定的，跟踪误差收敛到零．     

基于神经网络的汽轮发电机汽门开度控制器

汽轮发电机汽门开度调节过程是一个连续非线性动态过程。本文将之离散化并用多层BP网络逼近这一过程，构造了三种结构不同的神经网络汽门开度控制器。数字仿真测试证实了设计方案的可行性。基于对仿真结果的对比分析，文中讨论了神经网络对电力系统动态特性的抽取能力．并分析了样本选择与离线训练精度对控制器性能的影响。     

基于结构的神经网络在液压缓冲器建模中的应用

分析了液压缓冲器的结构及其动态工作过程，介绍了基于结构的神经网络建模方法．该建模方法根据系统结构组成特点将复杂系统分解为相互关联的简单子系统，用函数链神经元分别建立子系统模型，然后根据子系统间固有的连接关系将子系统神经元模型连接成一个网络，所得网络模型即为原系统模型．应用该方法建立了52SFZ—140—207B液压缓冲器的动态模型．结果表明，基于结构的神经网络建模方法对复杂非线性系统建模是有效的．     

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。     

利用串/并联神经网络建立化学反应器模型

本文研究使用线性动态神经网络与非线性的静态网络相结合的混合建模方式解决复杂非线性系统的建模问题。使用混合神经网络建模，可以降低单个网络的训练难度，基于此，也可将非线性系统控制策略的求解分解，转换为线性系统的求解。从而改善使用单一神经网络建模存在的精度不高以及训练时间长等不足，也为非线性系统控制策略的求解提供方便。本文以一个典型多变量系统——连续搅拌釜式反应器（CSTR）作为仿真对象，详细研究和实现了两类神经网络串联和并联的混合建模方法，并对结果进行了比较。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.