高阶非线性时滞系统的神经网络动态面控制

针对一类具有未知时变时滞的不确定高阶非线性系统,基于增加幂次积分方法,提出了一种非光滑状态反馈自适应神经网络动态面控制设计方案。通过构造适当的Lyapunov Krasovskii泛函处理了未知时变时滞不确定项;通过利用神经网络权值范数的适当形式幂次函数,将神经网络用于对在单步递推中所构造的未知函数进行建模;采用动态面技术,解决了“微分爆炸”问题。所提控制方案能够保证闭环控制系统的状态量和跟踪误差半全局一致终结有界。最后,仿真算例结果表明了该方案的有效性。     

一类径向基神经网络干扰观测器轨迹线性化控制

利用径向基神经网络(RBFNN)的逼近能力,研究了基于径向基神经网络干扰观测器(RDO)的鲁棒自适应轨迹线性化控制(TLC)策略,以解决空天飞行器复杂飞行条件下系统不确定及干扰的控制问题。分析了系统存在不确定性时轨迹线性化控制方法性能降低甚至失效的原因,设计了自适应调节律,并采用Lyapunov方法严格证明了在该自适应调节律作用下闭环系统所有误差信号最终有界。仿真结果表明,较当前TLC方法的控制性能,新方案在空天飞行器系统上具有更优异的控制性能和鲁棒性。     

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。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

基于神经网络的一类非线性系统的变结构控制

在已知名义系统的基础上 ,将小脑关节模型控制器 (CMAC)神经网络用于一类状态反馈可线性化的多输入多输出连续时间非线性系统的变结构控制中。利用自适应技术估计了估计误差的大小 ,减小了系统的不确定性 ,并利用模糊控制技术调整了变结构增益 ,改善了系统的性能。在很弱的假设条件下 ,应用Lyapunov稳定性定理证明了闭环系统内的所有信号为均匀最终有界。算法在导弹控制系统中的应用进一步证明了本文方法的有效性。     

基于神经网络的飞控系统实时容错设计与仿真

为了提高系统的可靠性与容错能力,提出了基于径向基神经网络的飞行控制系统传感器实时容错策略.利用改进的梯度下降优化算法来设计神经网络,以提高网络的学习速度和映射能力;基于网络的逼近性能,建立在线神经网络辨识模型;考虑到系统闭环反馈与实时控制的特性,使用多个辨识模型的信息进行传感器故障的定位和信号重构.应用某型飞机进行仿真,在保证闭环系统稳定的前提下,实现了传感器的在线故障隔离与信号重构,达到了预期的效果.     

直接鲁棒自适应模糊控制

针对一类不确定非线性系统 ,基于监督控制方案并利用第二类模糊系统的逼近能力 ,提出了一种直接鲁棒自适应模糊控制器设计的新方案。该方案通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 ,从而在稳定性分析中取消了要求逼近误差平方可积或逼近误差的上确界已知的条件。理论分析证明了闭环控制系统是全局稳定的 ,跟踪误差收敛到零。仿真结果表明了该方法的有效性。     

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.     

一类非线性系统的模型参考自适应模糊控制

针对一类不确定非线性系统 ,基于一种修改的监督控制方案并利用广义多线性模糊逻辑系统的逼近能力 ,提出了一种模型参考自适应模糊控制器设计的新方案。该方案利用参考模型作为性能指标 ,自适应调节模糊控制器的规则库 ,并通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 ,不但能保证闭环系统稳定 ,而且可使跟踪误差收敛到零。仿真结果表明了该方法的有效性     

Neural network based adaptive sliding mode control of uncertain nonlinear systems

The purpose of this paper is the design of neural network-based adaptive sliding mode controller for uncertain unknown nonlinear systems. A special architecture adaptive neural network, with hyperbolic tangent activation functions, is used to emulate the equivalent and switching control terms of the classic sliding mode control (SMC). Lyapunov stability theory is used to guarantee a uniform ultimate boundedness property for the tracking error, as well as of all other signals in the closed loop. In addition to keeping the stability and robustness properties of the SMC, the neural network-based adaptive sliding mode controller exhibits perfect rejection of faults arising during the system operating. Simulation studies are used to illustrate and clarify the theoretical results.     

基于干扰补偿的拦截弹新型反演姿态控制

针对同时具有未知干扰以及输入饱和与死区特性的大气层内拦截弹姿态控制系统,提出了一种基于干扰补偿的自适应动态面控制器设计方法。该方法通过设计改进的非线性干扰观测器(nonlinear disturbance observer, NDO)对未知干扰进行抑制,利用径向基函数(radial basis function,RBF)神经网络逼近输入饱和引起的非线性项,通过设计参数自适应律在线估计未知死区边界。通过构造合适的Lyapunov函数,证明闭环系统状态一致终结有界。仿真结果表明,所提方法鲁棒性良好,在输入非线性和未知干扰作用下,依然能良好地跟踪指令信号。     

Trajectory linearization control of an aerospace vehicle based on RBF neural network

An enhanced trajectory linearization control （TLC） structure based on radial basis function neural network （RBFNN） and its application on an aerospace vehicle （ASV） flight control system are presensted. The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability, and a robustifying itera is used to overcome the approximate error of RBFNN. The parameters adaptive adjusting laws are designed on the Lyapunov theory. The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory. Finally, the flight control system of an ASV is designed based on the proposed method. Simulation results demonstrate the effectiveness and robustness of the designed approach.     

Trajectory linearization control of an aerospace vehicle based on RB F neural network

An enhanced trajectory lineazization control(TLC)structure based on radial basis function neural network(RBFNN)and its application on an aerospace vehicle(ASV)flight control system are presensted.The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability,and a robustifying item is used to overcome the approximate error of RBFNN.The parameters adaptive adjusting laws are designed on the Lyapunov theory.The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory.Finally,the flight control system of an ASV is designed based on the proposed method.Simulation results demonstrate the effectiveness and robustness of the designed approach.     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

基于动态面的机械臂轨迹跟踪神经网络自适应算法

针对由直流电机驱动的多自由度机械臂轨迹跟踪系统,提出一种基于动态面反演的RBF神经网络自适应算法,该算法利用动态面反省控制技术,一方面解决系统的非匹配不确定性问题,另一方面有效地解决系统的“计算膨胀”问题,并通过RBF神经网络对系统中的外界扰动进行逼近,实现神经网络自逆应反凉控制,最后通过Lyapunov稳定性理论证明所得闭环系统的半全局一致最终有界。仿真结果证实该算法的有效性。     

高机动导弹非线性自动驾驶仪动态面控制

提出了高机动非线性导弹自动驾驶仪的动态面控制器设计方法,该方法基于光滑二阶动态滑模,所设计的虚拟控制足够光滑,在利用反步法设计内环控制器时不需要进行积分滤波,克服了反步法所带来的项数膨胀问题.二阶动态滑模控制器能够对非匹配不确定性或未建模动态进行补偿,并且比传统滑模有更高的跟踪精度.在考虑了系统不确定性和外部干扰的情况下,仿真结果显示所设计的控制器有较强的鲁棒性和控制精度.     

超机动飞行的非线性鲁棒自适应控制系统研究

针对飞机模型中存在气动参数不确定性以及外界干扰等影响因素,设计了一种超机动飞行的非线性鲁棒自适应控制系统。控制系统设计过程中,模型不确定性和外界干扰由RBF神经网络在线补偿,控制律及神经网络权值自适应律由反步法得到。解决了系统中控制增益矩阵未知,同时存在外界干扰情况下的鲁棒飞行控制系统设计,并证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了过失速Herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

多输入多输出非线性系统的多面滑模控制

针对多输入多输出非线性系统 ,提出一种基于模糊小脑关联结构模型 (CMAC)神经网络的多面滑模变结构控制算法 ,特点是无需已知不确定性函数及其各阶导数的上界 ,证明了系统的状态及权值误差有界。与经典设计方法相比 ,所提出的方案允许非参数化不确定性。仿真实例显示了方法的有效性。     

不确定多时滞系统动态自适应神经网络控制

针对一类具有不确定多时滞的非线性系统,提出一种由时滞补偿器和动态结构自适应神经网络所构成的控制器.通过设计时滞补偿器中的参数自适应调节规律来消除多时滞对控制输入的影响,再引入动态自适应神经网络,利用其隐层神经元个数可以随着逼近误差的增大而在线增加的特点,获得满意的逼近精度,提高控制性能.最后,对时滞混沌系统进行仿真,表明该方法的有效性.     

Decentralized direct adaptive neural network control for a class of interconnected systems

1 .INTRODUCTIONA number of interconnected systems found in theworld, such as electric power systems ,industrymanipulators and computer networks , are oftencomposed of a set of subsystems . A centralizedcontrol strategy for the requirement of a large a-mount of information exchange between the sub-systems . A decentralized control method, devel-oped based only on local measurements ,is oftenpreferable . At present ,there have been many re-search results for adaptive control of interconnec-…