基于神经网络的非线性离散动态系统DISOPE算法

提出了基于神经网络的非线性离散动态系统优化与参数估计集成算法。先用动态神经网络辩识系统得出一个近似模型，在存在模型实际差异的情况下，从神经网络模型出发通过迭代运算得到实际非线性离散动态系统的真实最优解，系统优化采用Ｈｏｐｆｉｅｌｄ 神经网络算法，求解速度快。仿真结果表明了算法的有效性和实用性。     

前向神经网络学习速率的白适应算法

学习速率是控制神经网络学习过程的一个重要参数，影响神经网络的稳定性和快速性．提出了一种能够满足实时性要求的神经网络学习速率的自适应算法，并证明了在该学习速率下，神经网络的学习过程是Lyapunov意义稳定的。试方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误盖的影响，从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真，结果证明了该方法的有效性。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统，给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点，特别是其自适应学习能力，控制系统采用两个神经网络分别作为估计器和控制器，通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性，输入输出有界。     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

对压电陶瓷执行器迟滞特性的智能建模

由于压电陶瓷执行器固有的迟滞非线性会影响系统的控制精度,甚至能导致系统不稳定,基于神经网络建立一个迟滞非线性的智能模型。提出一个迟滞因子将多映射的迟滞非线性转换成能够被神经网络逼近的一一映射。该模型结构简单,简化了辨识过程。最后用该方法对实际的压电陶瓷执行器进行建模,结果表明,该模型能够准确的逼近迟滞非线性。     

基于小波神经网络的惯导初始对准系统

论述了小波分析和神经网络在惯性导航系统初始对准中的重要作用,给出了惯导系统初始对准的线性和非线性模型.基于小波变换,运用小波神经网络对目前该问题进行了仿真研究.仿真结果表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,近似精度高,而且网络规模比BP、RBF等神经网络规模要小,计算量少,收敛速度快.     

神经网络非线性预测优化控制及仿真研究

针对暖通空调等一类时变多输入多输出非线性过程控制系统，采用神经网络作为优化反馈控制器求解优化反馈解，并利用预测控制滚动优化能够克服干扰和不确定性影响的优势，采用基于Hamilton-Lagrange方法和预测滚动优化算法训练多层前向神经网络，同时对系统中某些不能直接测量且受到多种因素影响、计算复杂的时变参数也利用神经网络进行预测，以实现对象特性的实时预测。利用该控制方法对某变风量暖通空调模型进行了仿真，优化指标取舒适性指标和耗能量之和。仿真结果表明，采用此方法，在模型不确定和存在外在干扰的情况下可以得到较好的控制效果。     

空间机器人的增广自适应神经网络补偿控制

研究了具有外部扰动空间机器人系统的补偿控制问题。首先,给出了漂浮基空间机器人系统的动力学方程。进而借助于增广变量思想,针对系统存在有未知惯性参数及外部扰动的复杂情况,先后设计了空间机器人系统关节运动、末端爪手运动的增广自适应神经网络补偿控制方案。所提控制方案无需对载体的位置、线性速度和线性加速度进行实时地测量与反馈;且较比传统自适应控制方法,又不要求动力学方程满足关于系统惯性参数的线性函数关系,因此有效避免了对系统回归矩阵进行繁琐提取的麻烦。仿真运算,验证了上述控制方法的有效性。     

多变量极值搜索系统神经网络自适应协同控制

针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

简化的鲁棒自适应动态面飞行控制律设计

提出一种简化的鲁棒自适应动态面飞行控制律设计方法。动态面飞行控制律消除了反推设计中由于对虚拟控制反复求导而导致的复杂性问题。利用神经网络在线逼近飞机气动参数的不确定性和外界干扰,简化神经网络参数调整方法,使在线调整更新参数仅为不确定项的个数。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致最终有界。大迎角过失速机动飞行的数值仿真表明：在考虑气动参数摄动和外界干扰的情况下,过失速机动仍很好地实现,且兼具控制器结构简单和鲁棒性强的特点。     

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。     

弹性高超声速飞行器智能控制系统设计

针对气动舵受限下的弹性高超声速飞行器控制问题, 提出一种基于神经自适应的智能控制方案。在速度子系统的设计过程中, 为了降低对模型参数的依赖程度, 应用强化学习算法在线调整比例积分微分(proportional integral derivative, PID)控制参数, 给出智能PID控制策略。对于高度子系统, 考虑气动舵的动态特性, 利用神经自适应方法对模型未知函数及不确定项进行逼近。为了处理气动舵的约束问题, 以非线性模型预测控制为优化分配模板生成大量样本数据集, 经离线训练得到深度神经网络代替求解复杂优化问题和控制分配的过程。此外, 通过引入自适应超螺旋微分器处理外部扰动, 增强了系统的鲁棒性。利用Lyapunov方法证明了所设计控制器的稳定性, 并通过仿真验证了所设计控制方案能够快速计算控制指令, 实现高精度跟踪控制。     

基于分段线性逼近网络的直接自适应控制

对一类单输入单输出系统的控制问题进行了研究 ,设计了对这类系统的直接自适应控制方案。控制方案的一部分是采用分段线性逼近神经网络逼近给定的非线性系统 ,利用已经发生的实际数据对网络的权值进行训练 ;另一部分是结合神经网络的一步预测输出和系统的参考输出 ,通过梯度优化器计算得到系统的控制输入。数值仿真结果表明 ,控制效果比较理想     

伺服系统模糊滑模控制器的设计与仿真

将模糊逻辑控制与滑模控制相结合，给出了一种模糊滑模控制器的设计方法。并针对伺服系统具有参数变化范围大、干扰源多等特点，设计了基于模糊滑模控制的伺服系统的结构。最后将该方法用于某机器人的机械臂的控制，并在参数大范围变化、正弦扰动作用等条件下进行了仿真。仿真结果表明，模糊滑模控制能有效地削弱传统滑模控制的“抖动”现象，并且在一定条件下具有很强的鲁棒性。     

非线性系统自适应逆设计及应用

对于一类存在输入未建模动态的非线性系统,提出了一种基于RBF神经网络的自适应逆补偿器设计方法。首先应用两个神经网络设计了补偿器,一个用来估计输入未建模动态,另一个用来作为未建模动态的自适应逆补偿器。该设计放宽了对未建模动态的一些苛刻的要求,如相对度为零,满足小增益条件等。仅要求D(u)逆稳和连续光滑。然后应用反演设计技术设计了控制器,并应用Lyapunov稳定性理论推导出神经网络权重向量的调节律,同时证明了闭环系统的渐进稳定性。最后给出的BTT导弹纵向控制系统设计仿真实例证明了该设计方法的有效性。