一种有约束的神经网络预测控制方法

针对非线性系统的控制问题，提出了一种采用黄金分割法的神经网络预测控制算法。该算法以神经网络作为预测模型，以黄金分割法用于优化控制器，其中以系统输入的约束条件作为黄金分割法的动态搜索区间。该算法解决了控制量的范围和变化速度受约束的情况下，未知非线性系统的预测控制问题，通过仿真研究证明了该算法计算速度、稳定性和杭扰动能力。     

基于观测器的一类不确定非线性系统自适应输出反馈控制

针对一类不确定非线性系统,基于非线性状态观测器采用回馈递推(Backstepping)设计方法提出了一种鲁棒自适应L2增益控制方案。该控制方案首先对系统的不可观测状态设计非线性状态观测器,在此基础上通过多步递推得到系统的控制律并设计了未知干扰的参数自适应律,使系统具有L2增益性能。同时把采用常规设计方法需要对过多参数进行辨识问题简化为只需对与未知干扰个数相同的参数进行辨识的问题,简化了控制器结构。最后通过仿真算例验证了所设计控制方案的有效性。     

鲁棒自适应输出跟踪控制在船舶操纵中的应用

针对带有未知控制增益、常参数不确定性以及外部扰动的船舶运动非线性模型，将自适应逆推技术与Nussbaum增益方法相结合，提出一种新的非线性自适应鲁棒控制策略，实现了船舶运动航向渐近跟踪控制。在所得控制器作用下的系统性能不仅能够通过设计参数而得到保证，且可克服控制器奇异值问题。设计过程及数字仿真结果均表明，所设计的自适应非线性跟踪控制器对不确定性具有良好的适应性及鲁棒性。     

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。     

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。     

带有可伸缩挠性附件航天器的姿态控制

根据特征模型的参数推算了系统实时的转动惯量,设计了基于转动惯量的黄金分割自适应控制器和逻辑微分控制器,将这两种控制器相结合对带有可伸缩挠性附件的刚体进行姿态控制,仿真结果与基于确知系统模型所设计的变系数PD控制器相比较,表明了该自适应方法控制一类时变系统的有效性.基于特征模型的自适应方法不需要知道系统具体的模型,具有很强的鲁棒性能,因此这种方法具有很重要的实际应用价值.     

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。     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

前向神经网络学习速率的自适应算法

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。该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差的影响,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。     

不确定Liu混沌系统的动态面跟踪控制

针对一类含有常参数不确定性及外部干扰的Liu混沌系统的跟踪控制问题,采用动态面控制方法设计了一个新颖的非线性自适应鲁棒跟踪控制器。该方法由于在逆推设计过程中结合使用了一阶低通滤波器,从而避免了因“微分项的膨胀”而引起的算法复杂性。理论分析及仿真结果均表明所得到的控制器能够保证闭环系统的半全局渐近稳定,使得输出渐近期望跟踪轨迹,且对不确定性具有良好的适应性及鲁棒性。     

参数不确定混沌系统的反步变结构控制

针对一类存在不确定性或者输入扰动的严参数反馈形式非线性混沌系统,提出一种基于反步法的自适应变结构控制器。结合反步法和变结构控制,在第1步到第n -1步,用递推方法来选取Lyapunov函数,运用自适应反步法设计,在第n步(n阶系统) ,选择适当的滑动面来确定变结构控制器,以实现系统的全局调节或跟踪。仿真结果表明,所提出的控制器对存在输入扰动和参数不确定时具有强鲁棒性     

基于非线性干扰观测器的高超声速飞行器反演滑模控制

针对高超声速飞行器非线性动力学系统中存在的高度非线性、多变量耦合及参数不确定等特点,利用非线性干扰观测器对各种干扰的逼近特性,结合反演滑模控制,设计了一种飞行器反演滑模控制器。该方法首先利用干扰观测器观测出系统的干扰,未观测出的部分干扰使用反演滑模控制进行补偿,避免了累积误差,实现对制导指令的鲁棒输出跟踪,并证明了系统稳定性。仿真结果验证了该方法能较理想地观测干扰,保证系统良好的鲁棒性。     

Output-feedback adaptive stochastic nonlinear stabilization using neural networks

For the first time, an adaptive backstepping neural network control approach is extended to a class of stochastic nonlinear output-feedback systems. Different from the existing results, the nonlinear terms are assumed to be completely unknown and only a neural network is employed to compensate for all unknown nonlinear functions so that the controller design is more simplified. Based on stochastic LaSalle theorem, the resulted closed-loop system is proved to be globally asymptotically stable in probability....     

不确定非线性系统的鲁棒自适应跟踪简化算法

传统的Backstepping自适应控制方法需要对虚拟控制律进行求导,从而导致“计算复杂性膨胀”。动态平面控制技术能够克服这一缺陷。将这一技术扩展到一类具有参数严格反馈形式的不确定非线性系统输出跟踪,这类系统同时包含线性参数和未知非线性函数两种不确定性。所设计的控制算法比现有算法大大简化,解决了“计算复杂性膨胀”问题;运用Lyapunov理论证明了闭环系统一致最终有界,仿真结果表明了算法的有效性。     

具有不可测动态不确定性非线性系统的控制

针对具有非线性不确定性、不可测动态不确定性和参数不确定性的非线性系统,结合反演提出了自抗扰控制器。与现有的鲁棒自适应控制方法不同,该方法不区别不确定性的类别,构建了扩展状态观测器来处理总不确定性;同时为了避免传统反演设计过程中的计算复杂性,构建了微分器;此外,引入了动态信号来主导不可测动态不确定性。最后利用李雅普诺夫稳定性分析证明了设计的控制器可以保证系统输出收敛到参考信号的残集内。仿真结果验证了该算法的有效性。     

一类低速水下航行器的自适应反演运动控制

针对一类安装了垂向推进器的低速水下航行器,研究了垂直面内的非线性运动控制问题.考虑水下航行器动力学模型中的未知参数,采用反演技术设计非线性自适应控制器,使水下航行器的深度和俯仰角全局渐近稳定到期望值.利用REMUS水下航行器的数学模型进行仿真研究,结果验证了该控制器的全局渐近稳定性,以及对未知模型参数的自适应性.     

非线性系统一种新的模糊自适应后推设计方法

研究了一类非线性系统的自适应跟踪问题。利用系统设计过程所得误差信息,提出了一种新的模糊间接自适应后推设计方法。与常见的后退方法相比较,该方法可以获得更简洁的控制器表达形式。基于李亚普诺夫稳定性理论,给出了闭环自适应系统一致渐近有界的证明。仿真结果验证了本方法的有效性。     

一类不确定非线性系统的鲁棒自适应控制

针对一类具有未知控制方向、未知参数以及未建模动态的非线性系统,提出了一种带有死区修正的鲁棒自适应递推控制策略.该策略不需要控制方向符号的先验知识.根据参数的上下界先验信息,分别将光滑投影算法和非连续投影算法与参数自适应律结合起来,既抑制了参数的漂移,又使估计参数达到了最小.算法保证了闭环系统所有信号的有界性,同时使得跟踪误差收敛于零的任意小邻域内.