多重事件触发机制下四旋翼飞行器的姿态跟踪控制

为减少四旋翼飞行器姿态跟踪控制中内部计算与通信资源的损耗,提出了基于反步法和多重事件触发机制下的四旋翼飞行器姿态跟踪控制。建立了四旋翼飞行器的动力学模型,并以滚转角系统为例,利用反步法设计连续控制器,实现了飞行器滚转角对参考信号的跟踪控制;通过引入事件触发机制构造了事件触发控制器,基于Lyapunov稳定性理论证明了所设计的事件触发控制器可以使滚转角系统保持稳定,且避免了Zeno现象;同时,在不同的参数作用下,采用相同方法对四旋翼飞行器的其他3个系统分别设计了各自对应的事件触发机制和事件触发控制器;由此构建的4个事件触发机制共同构成了四旋翼飞行器的多重事件触发机制。仿真结果表明,在多重事件触发机制作用下,所提事件触发控制器在3 s内共触发150次即可达到与周期采样控制器连续采样3 000次相同的跟踪效果。     

基于事件触发的网络控制系统研究

网络控制系统传输的数据量比较大,传统的周期触发机制存在很多缺点。本文基于稳定性条件,设计了事件触发机制控制器,构造了事件触发控制模型,分析了事件触发工作原理。仿真结果表明,事件触发控制系统的估计性能和周期触发控制系统的性能相同,而事件触发控制时间间隔小,在不影响数据包丢失的同时,能有效减少网络资源的使用,使传输过程更加高效。     

基于固定时间一致性算法的孤岛微电网事件触发二次频率控制

微电网传统一致性算法抗扰能力差、调节时间无法得到保证,控制器周期采样造成大量数据冗余,因此提出一种基于固定时间一致性算法的事件触发机制,实现了输出频率的恢复和有功功率按比例分配。所提出的控制策略提高了系统的收敛速度,实现了固定时间内系统稳定,减小了对系统初始状态的依赖。同时,引入事件触发机制,通过减少采样信息的传输节约了通信资源。利用Lyapunov理论证明了所提控制策略的稳定性。Matlab/Simulink仿真结果验证了本研究所提控制策略的有效性。     

基于状态感知的UGV 事件触发路径跟踪控制

针对通信受限下的无人驾驶车辆路径跟踪控制问题，提出了一种基于状态感知的H∞事件触发路径跟踪控制策略.首先，根据车辆的动力学行为建立了相应的路径跟踪控制模型；其次，基于对路径跟踪控制系统的状态实时感知，设计了一种新型的基于状态感知的事件触发通信策略（SS-ETC），可根据控制系统的状态对事件触发阈值进行动态自适应的调整；然后，在该动态事件触发通信策略下，结合时滞系统建模方法与Lyapunov 稳定性理论，设计了基于状态感知的事件触发H∞控制器.本文所提出的基于状态感知的动态事件触发通信策略能够根据控制系统的量测状态进行通信阈值的动态调整，有效地实现了自主车辆通信与控制的自适应协同设计.最后，通过仿真实验验证了所提出的动态事件触发控制策略的有效性.     

一类分数阶系统的有界H∞事件触发跟踪控制

针对一类具有未知外部扰动以及输入饱和且控制方向未知的非同元次分数阶严格反馈非线性系统,研究其基于事件触发机制的自适应有界H_∞跟踪控制问题。结合事件触发策略、有界H_∞控制方法以及Nussbaum增益技术,提出一种自适应神经网络有界H_∞事件触发跟踪控制方法。所设计的控制器能够保证系统的跟踪误差以及闭环系统中的所有信号是有界的,且系统对外部干扰具有很好的抑制作用。此外,所提出的控制策略既可避免非线性系统H_∞控制方法中可能出现的控制器输出值过大的问题,也能使系统的控制输入不再频繁进行更新,进而达到节约通信资源的目的。仿真结果验证了所提出方法的可行性及有效性。     

时延的事件触发无模型自适应抗干扰控制

针对一类具有时滞和有界扰动的离散时间系统，提出了一种改进的无模型自适应控制策略。首先，应用紧格式动态线性化方法将原始非线性时滞系统转换为数据模型。其次，应用离散时间扩展状态观测器对未知残差非线性时变项进行估计，提出了一种基于离散时间扩展状态观测器的无模型自适应控制方案。此外，通过设计事件触发条件以确保Lyapunov稳定性，建立了基于离散时间扩展状态观测器的事件触发无模型自适应控制。只有当系统指示器满足所提供的事件触发条件时，才更新控制输入信号；否则，控制输入保持不变，可以有效地解决有限的通信带宽问题。最后，通过仿真验证了该方法的有效性。     

切换奇异时滞系统事件触发机制的有限时间H∞滤波

为了避免通信网络资源的不必要浪费,提出了一种事件触发作为采样方案,研究了一类切换奇异时滞系统在事件触发机制下的有限时间滤波问题。由于信号传输途中会出现延迟,导致系统性能不理想,主要是通过事件触发方案,设计一个滤波器,使得滤波误差系统不仅是有限时间稳定的,而且还满足一定的性能指标。利用Lyapunov函数和平均驻留时间(average dwell time,ADT)技术,用线性矩阵不等式(linear matrix inequality,LMI)形式推导出了事件触时发机制下滤波有限时间稳定的充分条件,保证系统是有限时间稳定且满足一定的性能指标,最后用实例验证方法的有效性。     

状态反馈事件触发控制系统的分析与设计

针对线性系统状态反馈事件触发控制在工程应用中仅使用单一动态门限或静态门限存在Zeno现象的缺点,提出了动静门限相结合的事件触发机制。将闭环控制系统建模为脉冲系统模型,应用脉冲系统理论,导出了确保控制系统稳定的触发机制参数确定定理,得到了便于实现触发机制门限参数设计的线性矩阵不等式条件。针对确保系统稳定的触发机制门限参数可在一个区间内选择的特点和静态门限分量大小影响系统稳态区域大小的特点,进一步提出了变门限触发机制,可使系统在稳态情况下自动将静态门限分量减小,显著减小稳定区域,提升事件触发控制的稳态性能,从而可实现精确控制。定量仿真表明,变门限触发机制可以在通信资源消耗量几乎相同的情况下将稳态范围缩小到固定门限方法的12.3%。     

多智能体系统事件触发一致性研究综述

事件触发一致性控制是解决多智能体系统（multi-agent systems,MASs）一致性通信资源消耗问题的有效手段. 本文简述了MASs事件触发一致性的基本框架,综述了MASs事件触发一致性问题所涉及的事件触发机制及设计策略、事件触发一致性的影响因素、Zeno行为和事件触发一致性应用4个方面的国内外研究进展,对未来研究方向进行了展望.      

具有输入时延的离散时间多智能体系统事件触发编队控制研究

利用复Laplacian研究了一类由复差分方程描述的离散时间多智能体系统事件触发编队控制问题.通过构造含有智能体状态信息及指数衰减函数的事件触发函数,根据事件触发条件确定了事件触发时间序列.设计的触发函数仅利用邻居的离散信息,避免了智能体之间的连续通信,极大地节约了有限的通信带宽资源和计算资源.设计了含有输入时延且只在事件时间序列点处触发的控制器,大大减少了控制器的更新频率,避免了控制器的连续更新.在事件驱动控制策略下,证明了多智能体系统能形成任意给定队形的相似编队的充分条件,并且给定了输入时延存在的范围.同时,也排除了事件触发时间序列在离散意义下可能存在的Zeno现象.通过数值仿真例子验证了该文理论结果的有效性.     

基于GPS的破片测速多设备同步触发方法

针对破片测速多设备同步触发时易误触发，布线困难等问题，提出了一种基于GPS的破片测速多设备同步触发方法。利用GPS高精度的秒脉冲和UART时间信息周期性的同步设备系统时间；使用FPGA作为控制芯片，使用高精度晶振作为基准时钟，进一步降低误差。理论分析了在30秒同步一次情况下，双设备时间误差最大为8.4us，长时间GPS不同步时多台设备累积误差到达1ms时间为59分钟。利用示波器对GPS模块的秒脉冲信号精度做了验证，证明两个GPS模块秒脉冲之间误差在50ns以内。最后使用数据采集仪采集同一周期性三角波，设置为GPS触发方式。两台设备在同一时间触发，观察采集到的波形，两台设备的时钟误差在20us以内，验证了方案的可行性。     

机械手的神经网络直接离散时间自适应控制算法

提出了一种机械手的神经网络直接离散时间自适应控制算法。该算法是神经网络方法和自适应动态滑动模控制方法的集成。自适应动态滑动模控制的作用有两个：其一是在神经网络控制失灵的情形下提供控制系统的全局稳定性；其二是改善系统的跟随性能。整个系统的全局稳定性和跟随误差的收敛性采用李雅普诺夫稳定性理论进行了证明，并得到了一种新颖的神经网络权值调整算法。     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

基于阈值分割法和卷积神经网络的图像识别算法

针对传统卷积神经网络严重依赖数据量的问题, 提出一种基于均值迭代阈值分割法和卷积神经网络的图像识别算法, 通过均值迭代阈值分割法过滤图像背景, 并基于AlexNet构造新的卷积神经网络. 与其他常用的卷积神经网络进行对比实验结果表明, 在样本数量不足的图像识别任务中, 该算法识别效果较理想, 与其他卷积神经网络相比, 具有更高的识别准确度、 更低的识别误差和更快的收敛速度.     

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。     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

具有未知侧滑和打滑的WMR强化学习自适应神经网络控制

利用反演设计,提出一种强化学习自适应神经网络轮式移动机器人(WMR)轨迹跟踪控制方法.首先在极坐标下建立WMR的轨迹跟踪误差模型,并基于此设计运动学控制器.然后,针对WMR动力学系统,设计自适应神经网络控制器.结合强化学习机制,同时对系统未知侧滑、打滑和模型不确定性进行优化补偿,并引入鲁棒控制项来消除补偿误差的影响,进一步提高了控制效果.所提控制方法使得闭环系统稳定,且最终一致有界收敛,其有效性通过数值仿真结果得到了验证.     

基于自适应动量因子的区间神经网络建模方法

区间神经网络建模是区间控制的核心部分,也是提高系统鲁棒性的重要方法.针对区间神经网络算法收敛速度慢的问题,提出一种自适应动量因子算法.算法利用区间运算建立输入与输出数据的映射模型,通过引入具有自适应特性的动量项,使用最速下降法对动量项进行自适应更新,在加快系统收敛速度的同时,克服系统稳态误差大和容易陷入局部最小值的弊端.典型算例实验表明:区间神经网络能够较为精确地建立区间网络模型,自适应动量因子算法提高了区间神经网络整体性能.     

基于自适应神经网络的调频调幅信号预测

线性调频信号在雷达和声纳探测上有着广泛的应用,利用自适应神经网络理论对线性调频信号的预测进行了研究,建立了自适应神经网络预测控制模型．在Matlab里进行了仿真,从图上可以看出,尽管在预测的初始阶段误差较大,但经过一段时间后,误差几乎趋于零．结果表明自适应神经网络能较好地对线性调频信号进行预测．