一类控制方向未知不确定性系统的自适应迭代学习控制

采用了一种自适应迭代学习的控制方法,对于一类含有未知控制方向以及参数化和非参数化不确定性系统进行了研究.结合连续的Nussbaum增益技术,很好地处理了系统中控制方向未知的问题.在满足局部Lipschitz连续条件下,非参数化不确定性可以得到有效的解决.通过构造微分-差分耦合参数自适应律,提出一种自适应迭代学习控制方案,保证系统跟踪误差沿迭代轴方向渐进收敛于零.基于一个构造的Lyapunov泛函,给出闭环系统收敛的一个充分条件.实例仿真结果验证了设计方法是有效的.     

含有时变延迟的双线性参数化系统的重复学习控制

针对一类含有时变延迟的双线性参数化时变系统,提出了一种新的重复学习控制方案.该方案假设未知时变参数、未知时滞和参考信号的共同周期是已知的,通过重构系统方程,有效地消除时变延迟的影响,采用微分—差分耦合参数周期自适应律估计时变和时不变参数,可以处理参数在一个未知紧集内周期性快时变的非线性系统,通过构造一个Lyapunov-Krasovskii能量函数,证明所有信号有界并且跟踪误差渐近收敛.给出了闭环系统收敛的一个充分条件.仿真结果验证了控制算法的有效性.     

一类混沌系统的混合参数自适应学习控制

提出了一种自适应学习控制方法,应用于未知周期时变参数的混沌系统的跟踪同步问题,该方法利用Lyapunov稳定性和自适应学习理论,构造了学习控制律和微分-差分参数学习律,在L2Τ-范数意义下使得跟踪误差在一个周期区间上渐近同步。给出了闭环系统稳定的一个充分条件。通过仿真例子验证了所提方案的可行性和有效性.     

一类非线性时滞系统的自适应动态面控制

针对一类具有不确定输入时滞和干扰的非线性系统的跟踪控制问题,提出一种动态面控制、神经网络和自适应控制相结合的控制方案.通过构造一个滤波器和一个虚拟的状态观测器产生辅助信号,并利用神经网络来估计未知的连续函数,证明了系统跟踪误差收敛于一个充分小的紧集.     

一种分散结构的自适应控制

本文提出了一种大系统分散结构的自适应控制方案,导出了相应的自适应控制律,通过构造一种以最优控制为目标的动态补偿器对子系统间的关联进行补偿,可以消除关联影响,文中给出例子表明了该方法的正确性.     

模糊神经网络的MRAC在环境试验箱控制中应用

针对环境试验箱具有非线性、时变性、强耦合性使得经典控制理论难以对其进行有效控制的问题,提出了以模糊神经网络构成间接模型参考自适应控制方案,以满足系统稳定性、实时性的设计要求.阐述了如何运用模糊神经网络构造间接模型参考自适应控制系统及如何对模糊神经网络构造的辩识器和控制器进行学习和训练.仿真结果表明,该智能控制系统具有很强的鲁棒性和控制复杂被控对象的优越性.     

基于模糊学习方法的非线性系统智能容错控制

提出了一种基于自适应模糊逻辑学习方法的非线性系统智能容错控制方案.整个控制方案集自适应模糊控制器、监督控制器和调节控制器为一体,是一个功能强大的控制体系结构.仿真结果表明:提出的控制方案能有效地识别和调节非线性系统的未知错误,而且控制系统在不确定或错误的情况下具有稳定性和鲁棒性.     

参数非严格反馈形式的随机非线性系统的自适应控制

论文研究了一类带参数非严格反馈形式的随机非线性系统的自适应控制问题 .利用Backstepping设计方法 ,通过构造 4次型的随机控制Lyapunov函数 ,给出了有效的自适应控制方案 ,使得闭环系统达到在概率意义下的全局渐近稳定     

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.     

一类非线性系统的鲁棒自适应控制

针对一类不确定的非线性系统,提出了一种鲁棒自适应控制设计,该方法能保证闭环系统所有信号全局一致有界,并且使所研究的非线性系统的范围扩大,仿真结果表明了该控制方案的有效性.