欠控制方向的非线性系统自适应迭代学习控制

针对控制方向未知且具有周期扰动的非匹配非线性系统, 提出了一种自适应迭代学习控制策略. 控制算法具有以下3个特点:不需要控制方向的先验知识; 能够对系统的周期不确定性进行在线学习; 能够克服系统的非匹配不确定性. 随着迭代学习次数的增加, 系统跟踪误差渐近收敛于零. 仿真结果表明了控制算法的可行性和有效性.     

控制方向未知的时变非线性系统的控制器设计

对一类控制方向未知的时变非线性系统的控制问题进行了研究.首先,设计了一种迭代神经网络估计器,并通过推导得到了逼近引理,实现了对时变不确定性的逼近;然后,提出了用迭代神经网络逼近时变不确定性,用Nussbaum函数估计未知控制方向的总体设计思想.利用李雅普诺夫稳定性理论和自适应迭代学习控制技术设计了控制系统,并进行稳定性...     

不确定机械臂的组合自适应迭代学习轨迹跟踪

针对一类同时含未知时变和未知定常参数、并带有可重复时变干扰的不确定机械臂系统,为精确跟踪期望轨迹并加快跟踪误差的收敛速度,提出了一种具有抗扰能力的机械臂组合自适应迭代学习控制算法.对未知定常参数和未知时变参数,分别采用时域和迭代域的参数自适应迭代学习律,并基于估计参数设计了机械臂的自适应迭代学习轨迹跟踪控制律.利用相似李亚普诺夫函数证明了轨迹跟踪误差的收敛性.针对二自由度关节式机械臂的仿真结果表明,应用所提算法可实现精确的轨迹跟踪,并加快迭代学习的收敛速度.     

一类非线性系统的非奇异Terminal滑模控制

针对一类二阶非线性系统提出新的Terminal滑模控制面以克服传统的Terminal滑模控制的奇异问题,同时确保系统从任何初始状态在有限时间内收敛至平衡点;进一步考虑系统参数摄动和外界扰动等不确定性因素上界的未知性,用Lyapunov稳定性方法给出了一个带有未知性上界参数估计的自适应非奇异Terminal滑模控制的控制.     

非线性系统的递推最小二乘自适应模糊控制

提出了一种可有效消除被控系统不确定性的自适应模糊控制方法．该方法采用模糊逻辑系统（FLS）来辨识系统的未知函数，并采用连续形式的递推最小二乘算法作为自适应律调节FLS权参数．该自适应律可保证FLS权参数稳定收敛，最终收敛至最佳值的一个很小邻域中，同时保证跟踪误差指数衰减趋于0．倒立摆仿真结果表明，采用该方法时，辨识的归一化平方误差小于2％，其相对跟踪误差较混合自适应控制方法减少了58％．     

控制方向未知的非线性系统切换自适应全局快速有限时间控制

提出一种新的切换自适应全局快速有限时间控制方法,设计控制方向未知的非线性系统切换自适应快速有限时间控制器.通过有限时间切换律,自适应调整切换参数,使控制器的控制方向依提出的方向进行切换,能更快找到正确的控制方向.仿真结果表明:所设计的控制器能保证系统的所有状态在有限时间内收敛至平衡点,且有更快的收敛速度.     

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.     

非线性系统开闭环PID型迭代学习控制的收敛性分析

针对一类参数未知非线性的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.     

基于主动自适应滑模控制的超混沌系统同步

针对一类带不确定性和外界扰动的超混沌系统的同步和反同步问题进行了研究.考虑到驱动系统与响应系统所受干扰和不确定性的上界未知的情形,将主动滑模与自适应控制相结合,利用参数自适应更新律对未知参数进行了估计.利用连续函数来替代控制律中的非连续符号函数,解决传统滑模控制器的抖动问题.利用Lyapunov稳定性理论证明了误差系统的渐近稳定性,数值仿真结果验证了设计的控制器的有效性.     

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.     

基于预设性能转台伺服系统的参数估计和自适应控制

针对含参数未知和非线性摩擦动态的转台伺服系统,提出了一种基于预设性能函数的参数估计和自适应控制方法.利用一种连续的摩擦模型表示转台伺服系统的摩擦动态,引入高阶神经网络对其进行逼近.通过构造一种滤波辅助变量获取参数估计误差信息,并将估计误差信息作为参数自适应律的遗漏因子,保证估计值能够快速收敛到真实值.为了提高转台伺服系统的瞬态响应和稳态性能,利用预设性能函数将原始系统的跟踪误差转换为一个新的误差动态,在此基础上设计自适应控制器,实现对期望轨迹的精确跟踪.仿真结果验证了本文所提算法的有效性.      

基于边界层的一类不确定系统的迭代学习控制

针对一类具有任意初态和非周期有界扰动的不确定非线性时变系统,提出一种基于边界层的迭代学习控制方法,将边界层设计成一个具有剩余宽度的指数衰减函数,通过边界层把任意初态问题转换为零初值迭代学习问题.针对周期和非周期不确定性扰动,分别设计周期项的学习律和非周期项的边界学习律,然后在此基础上给出了迭代学习控制算法.文中给出了相关定理,并应用类Lyapunov方法给出了定理的详细证明.仿真结果表明,所提出的算法是有效的,轨迹跟踪误差能收敛到边界层.     

PMSM混沌系统的自适应反步控制

基于永磁同步电机的混沌模型,当系统中含有不确定性参数时,设计一种自适应反步控制器,使系统从混沌状态中恢复过来,渐进跟踪期望速度并保持稳定。首先,对给定的期望转速和期望直轴电流,构造误差系统,用反步法设计子系统的控制器,在每个子系统中构造Lyapunov函数和虚拟控制量,获得使系统渐进稳定的期望的交轴电流的期望值。然后,当永磁同步电机混沌系统中的2个未知参数负载转矩和永磁磁通变化时,根据Lyapunov稳定性原理,用反步法设计出负载转矩和永磁磁通的自适应控制器,实现永磁同步电机混沌系统对速度的跟踪以及参数的一致收敛。数值仿真结果表明:所设计的自适应控制器是有效的,能使受控系统从混沌状态变成可控状态,并快速的跟踪期望速度,同时未知参数的估计值收敛达到了实际值。     

不确定Duffing混沌系统的自适应跟踪控制

研究了连续时间Duffing混沌系统在具有不确定性扰动时的自适应跟踪控制问题．基于稳定性理论,在系统存在有界扰动但扰动的界大小未知时,采用自适应控制方法,构造出一个自适应控制器,可实现系统的状态渐近跟踪预先给定的轨线．仿真进一步说明了该控制器的有效性．     

基于反演的不确定非线性系统自适应滑模控制

针对一类参数半严格反馈形式的非匹配不确定非线性系统,基于反演设计方法和滑模控制技术,研究了其在非匹配未知参数和非参数不确定性下的跟踪控制问题,提出了自适应反演滑模控制策略,实现了不确定非线性系统的鲁棒输出跟踪.本方法允许系统同时存在匹配和非匹配的参数不确定性及非参数不确定性,而且考虑了控制增益的不确定性,通过增益参数的设计还可实现滑模面到达时间的调节,并进一步削弱了抖振.仿真算例验证了理论的有效性.     

小型吊舱式无人艇航向控制

针对小型吊舱式无人艇航向控制系统精度问题,考虑模型中的不确定性和风、浪干扰等未知项,设计一种基于RBF神经网络和迭代滑模算法的自适应控制器.在建立吊舱式无人艇运动数学模型基础上,采用迭代滑模算法提高收敛时间,并通过RBF神经网络权值逼近模型参数不确定项和未知扰动,最终将该算法与迭代滑模算法进行仿真比较.结果表明,所提出...     

一类非线性系统的模糊自适应反推滑模控制

针对一类具有非匹配不确定非线性系统,提出一种模糊自适应反推滑模变结构控制方法。首先利用模糊逻辑系统有效逼近系统的未知非线性,然后针对反推方法中需要对虚拟控制反复求导而存在的"微分爆炸"现象引入低阶滤波器,同时抑制非匹配不确定性的影响;最后设计一种积分终端滑模控制,解决了控制过程中的奇异问题,加快了远离平衡位置的系统状态收敛速度,保证了系统的收敛精度,同时削弱了传统滑模控制中存在的抖振现象。Lyapunov稳定性分析证明了所设计的控制器能够保证闭环系统的有限时间收敛。对比仿真结果显示系统状态跟踪效果较好,控制输入抖振现象削弱明显。     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

雷达卫星鲁棒逆最优自适应姿态跟踪控制

针对存在外界扰动和模型参数不确定性的雷达卫星姿态跟踪控制问题,提出了一类基于修正的罗德里格斯参数描述的雷达卫星鲁棒逆最优自适应控制器设计新方法．通过Backstepping方法和构造相应李雅普诺夫函数,设计了鲁棒逆最优控制器,避免了直接求解哈密顿一雅克比一贝尔曼偏微分方程,使控制器相对于选取的具有鲁棒性的代价函数最优,并以较小的L：增益,实现对外界扰动的输入一状态稳定和鲁棒性;针对系统参数不确定性设计自适应参数更新律,对参数进行自适应学习,有效降低参数不确定对系统的不利影响．仿真结果表明：该方法能有效抑制模型不确定参数和外界未知扰动的影响,在保证姿态跟踪精度的同时,能增强系统鲁棒性．     

具有未知侧滑和打滑的WMR强化学习自适应神经网络控制

利用反演设计,提出一种强化学习自适应神经网络轮式移动机器人(WMR)轨迹跟踪控制方法.首先在极坐标下建立WMR的轨迹跟踪误差模型,并基于此设计运动学控制器.然后,针对WMR动力学系统,设计自适应神经网络控制器.结合强化学习机制,同时对系统未知侧滑、打滑和模型不确定性进行优化补偿,并引入鲁棒控制项来消除补偿误差的影响,进一步提高了控制效果.所提控制方法使得闭环系统稳定,且最终一致有界收敛,其有效性通过数值仿真结果得到了验证.