一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

单调RBF神经网络的逼近性分析

针对工程中输入输出呈单调关系系统首先提出单调径向基神经网络，然后给出单调性条件定理，并证明用单调径向基神经网络插值可以逼近紧致集上任意单输入单输出的单调函数。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

回归神经网络辩识电液伺服系统模型与仿真

建立了一种回归神经网络辩识非线性电液伺服控制系统数学模型的辩识方法,研究了基于回归神经网络内部状态反馈的辩识算法,利用辩识实验获得的过程输入/输出数据动态调整神经网络权值。仿真结果辨明:神经网络描述的电液伺服控制系统数学模型具有较高精度,算法全局逼近能力良好。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法，研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换，将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数，网络的权值根据李亚普诺夫原则来在线修正，这样就克服了多神经网络控制系统中存在的稳定性问题。同时，为了减少权值学习时间，应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律，给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

一类严格反馈时滞系统的自适应输出反馈控制

针对一类单输入单输出的严格反馈时滞系统研究跟踪控制问题。该控制系统包含不确定项、输出约束、未知死区特性和未知时间延迟。首先,设计一个状态观测器来估计无法测量的系统状态;其次,利用径向基函数(radial basis function,RBF)神经网络去逼近未知的系统内部动态;同时,利用障碍李雅普诺夫(Lyapunov)函数确保输出约束及Lyapunov-Krasovskii方法消除时滞项对系统的影响;最后,基于Lyapunov稳定性理论,构造一个鲁棒自适应神经网络输出反馈控制器,并且克服了过参数问题。结果显示,设计的神经网络输出反馈控制器可以保证闭环系统中的所有信号都是半全局最终一致有界的,跟踪误差能收敛到零值小的领域内。文中通过两个例子进一步验证了提出方法的有效性。     

基于自适应模糊快速终端滑模控制的导弹自动驾驶仪设计

针对一类多输入多输出非线性不确定系统,提出了自适应模糊快速终端滑模控制方法并应用于导弹自动驾驶仪的设计。利用模糊系统具有以任意精度逼近非线性系统的能力对未知干扰和不确定性进行逼近,并通过鲁棒项提高了系统性能。基于Lyapunov方法,证明了闭环系统所有信号渐进收敛。最后利用本文提出的控制方案设计了6自由度导弹的自动驾驶仪,仿真结果表明了控制方案的有效性和鲁棒性。     

非仿射非线性系统的自适应模糊输出反馈控制

针对一类单输入单输出非仿射非线性系统,提出了基于观测器的自适应模糊输出反馈控制。该算法通过构造线性误差观测器估计系统输出误差和系统状态,利用估计状态变量和估计输出误差变量设计自适应控制律,采用模糊逻辑系统在线消除非线性系统中的不确定模型,引入监督控制消除系统逼近误差和外界干扰,并利用Lyapunov方法严格证明了在该控制律作用下闭环系统所有信号一致最终有解,闭环系统的输出能最终跟踪期望输出。仿真结果表明了该方法的有效性。     

一类非线性系统的自适应神经跟踪控制

针对一类未知非线性动态系统，提出了一种基于神经网络的自适应输出跟踪控制方案。网络权值的自适应修正规则是基于Lyapunov稳定性理论实现的，避免了递归训练过程；一个滑模控制项用于消除神经网络逼近误差的影响。因此，该自适应神经控制器能保证系统的全局稳定性和输出跟踪误差渐近收敛于0。     

一种用于调控高温热泵负荷的方法及仿真

为了使高温热泵输出负荷与用户所需负荷相匹配，尝试将一种神经网络预测器用于热泵系统的负荷调控之中。首先，根据实验数据训练并得到一种多输入、单输出的热泵系统参数神经网络模型；然后，将该模型结合一种双输入、单输出的温度模糊控制器构成神经网络顸洲器；并针对两种不同形式的外扰（环境温度和用户要求的改变），制定了智能控制策略；最后，对该预测器进行了仿真研究，证明了该控制策略的合理性。     

A NOTE ON NONLINEAR ROBUST H∞ ALMOST DISTURBANCE DECOUPLING PROBLEM WITH STABILITY

1 IntroductionThe problem of a1most disturbance deco1lpling with stability(ADDPS fOr short) was orig-inally formulated and solved fOr linear systems by Willems in l98l([ll). Since then variousgeneralizations to nonlinear systems have been xnade(see, fOr e…     

二阶输出反馈滑模极值搜索控制方法

针对一类单输入单输出(single input single output,SISO)非线性极值系统的控制问题,提出了一种二阶输出反馈滑模极值搜索控制方法。考虑到此系统的状态量不可测,利用斜坡函数作为输出量的参考跟踪信号,以系统的输出跟踪误差及其微分信号构建切换函数,设计出二阶滑模极值搜索控制律。稳定性分析证明了在任意初始条件下,该方法可使系统的输出量全局收敛至其期望极值的任意小邻域内且所有状态量均是一致范数有界。仿真结果验证了该方法的有效性。     

Backstepping-based active fault-tolerant control for a class of uncertain SISO nonlinear systems

Active fault-tolerant control is investigated for a class of uncertain SISO nonlinear flight control systems based on the adaptive observer, feedback linearization and backstepping theory. Firstly an adaptive observer is constructed to estimate the fault in the faulty system. A new fault updating law is presented to simplify the assumption conditions of the adaptive observer. The asymptotical stability of the observer and the uniform ultimate boundedness of the fault estimation error are guaranteed by Lyapunov theorem. Then a backstepping-based active fault-tolerant controller is designed for the faulty system. The asymptotical stability of the closed-loop system and uniform ultimate boundedness of the tracking error are proved based on Lyapunov theorem. The effectiveness of the proposed scheme is demonstrated through the numerical simulation of a flight control system.     

基于状态观测器的非线性系统神经网络自适应控制

结合高增益观测器,针对相对阶为n的非线性系统,设计了神经网络自适应控制器。利用Lyapnov定理获得了神经网络权值的更新律和控制器的控制律,从而确保了整个闭环系统的稳定性和有界性。由于神经网络不需任何的离线训练,因而该控制器能够广泛应用于一大类非线性性系统的控制中。仿真结果验证了控制方案的有效性。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

基于神经网络的非线性系统的间接自适应控制

针对一类不确定非线性动态系统 ,利用多层神经网络系统MNNs的逼近能力 ,提出了一种间接鲁棒自适应神经网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界 ,而且理论分析证明了闭环系统的跟踪误差渐近收敛到零。仿真试验表明本控制算法是有效的。     

一类纯反馈非仿射非线性系统的自适应神经网络变结构控制

研究了一类非仿射的纯反馈单输入单输出非线性系统。针对此系统,在中值定理、神经网络参数化和解耦Backstepping的基础上,提出了一种自适应变结构神经网络控制策略,而且所给出的定理证明闭环系统的所有信号在平衡点上是半全局一致有界的。通过对一个非仿射CSTR对象的仿真验证了该方法的有效性。     

一类时滞递归神经网络间的鲁棒自适应同步

针对一类具有不同吸引子的时滞递归神经网络间的同步问题,提出了一个自适应同步控制策略,建立了具有不同吸引子的两个神经网络间全局鲁棒同步的一个新判据。所提出的自适应同步控制策略不仅适用于结构已知的神经网络,而且也适用于不同结构和部分参数已知的神经网络,且对未知参数部分,由自适应更新律来辨识其参数。所提出的同步判据容易验证和控制律容易实现,数值仿真验证了所提方法的有效性。     

不确定性机器人实时智能补偿控制

在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性