基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

一类通用神经网络非线性系统模型参考自适应控制

针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制.并采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类半径进行自动调整,并利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络模型参考自适应控制器.仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好.     

基于多模型结构的非线性鲁棒自适应跟踪控制

针对复杂的非线性系统,提出一种基于多模型结构的鲁棒自适应控制方法,使得系统可以在不同的运行环境下跟踪给定的信号.由多个线性模型和一个模糊模型及其相应的控制器构成基本的多模型控制系统,再引入动态结构自适应神经网络以保证系统的稳定性及抑制由频繁切换引起的噪声.最后,对某小型飞机进行全包络飞行跟踪控制的仿真,验证所提控制方法是有效的.     

重型运载火箭预设时间自适应控制

针对存在模型不确定性及未知外部干扰的重型运载火箭姿态控制问题，提出一种新型预设时间自适应控制方法，使得姿态控制误差收敛时间与系统初始状态无关且可预先设定。首先设计一种新型预设时间滑模面，采用滑模面切换的方法避免系统出现奇异；然后设计预设时间滑模控制器，采用神经网络估计系统集总扰动并在控制器中进行补偿，设计自适应律自适应调整神经网络权重系数，基于Lyapunov稳定性定理证明了所设计控制器的预设时间稳定性；最后通过数值仿真验证了所提方法的可行性及有效性。     

基于T-S模型的自适应多变量模糊预测控制

针对多变量非线性系统的控制问题,提出了一种具有良好控制效果的模糊预测控制方法。首先采用快速聚类法和递推最小二乘法辨识得到非线性系统的T-S模型,然后对系统进行线性化,并基于线性化的模型设计模糊广义预测控制器并对非线性对象进行在线自适应控制。对一个带时延的强耦合二变量非线性对象进行仿真,结果表明对于具有时变性的非线性系统,该方法具有很好的控制效果。     

强制循环蒸发系统的多模型预测解耦控制

以实际的具有多变量、强耦合、强非线性特性的氧化铝强制循环蒸发系统为例,将一类多变量非线性系统分为线性模型和非线性未建模动态两部分,提出了由线性预测解耦控制器,神经网络非线性预测解耦控制器和切换机制组成的多模型预测解耦控制方法,并且证明了闭环系统的稳定性.最后,通过对强制循环蒸发系统的仿真实验,验证了所提方法的有效性.     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

基于RBFNN的DMFC温度建模与神经模糊控制研究

为了提高燃料电池的发电性能，直接甲醇燃料电池（DMFC）堆的运行温度应该控制在一个合适的范围内。简单介绍了利用RBF神经网络基于实验的输入输出数据建立DMFC电堆温度模型的方法，避开了电堆的内部复杂性；在控制过程中，将训练好的网络模型作为DMFC控制系统的参考模型，采用一种改进的模糊遗传算法（FGA）在残对神经模糊控制器的参数进行自适应调整。采用最近邻聚类算法小（NNCA）对控制器的模糊规则库进行更新。在仿真实验中，将所提出的算法与非线性PID和传统模糊算法进行比较，结果表明所设计的神经模糊控制器具有较好的性能。     

新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

输入约束下的浮力调节式UUV变深控制

针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题, 提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上, 采用反步法和非线性跟踪微分器设计动态面控制器, 同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰, 继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器, 并证明闭环系统所有误差一致最终有界。仿真结果表明, 与现有的动态面控制方法相比, 所提方法在浮力调节机构约束下, 具有较好的动态性能与稳态精度。     

并联式运载器上升段广义超螺旋有限时间控制

针对受模型不确定和外部干扰影响的并联式运载器上升段姿态控制问题, 提出了一种基于广义超螺旋算法的自适应滑模有限时间控制方法。首先, 将姿态跟踪控制问题转化为跟踪误差系统的镇定问题, 建立了面向控制的模型。其次, 将单输入单输出(single input single output, SISO)固定时间广义超螺旋算法拓展应用到多输入多输出(multiple input multiple output, MIMO)耦合非线性系统上, 基于该算法设计了固定时间状态观测器和自适应滑模有限时间控制器, 利用Lyapunov稳定性理论证明了闭环系统的有限时间稳定特性。最后, 通过与传统比例-微分(proportional and differential, PD)控制器仿真对比, 验证了该方法具有更优的控制精度和鲁棒性。     

一类非线性不确定系统自适应terminal滑模控制方法

针对一类非线性不确定系统设计了自适应terminal滑模控制器,使跟踪误差在有限时间内收敛到零,消除了通常滑模变结构控制的到达过程,因而闭环系统从t=0时刻就对干扰具有鲁棒性。采用RBF神经网络逼近系统未知的非线性函数,引入滑模误差对其权值进行在线自适应调整,改善动态性能。最后给出的仿真例子证明了算法的有效性。     

非线性离散系统的直接自适应神经网络控制器

对于一类非仿射离散时间系统,提出了一种新的自适应神经网络控制器。首先推导与原系统等价的仿射形式模型,由仿射模型推导控制律。控制律中采用一个神经网络,与传统的基于反馈线性化的自适应神经网络设计方法中采用两个神经网络相比,计算量大大减少且避免了控制器奇异问题。神经网络权值根据系统输入输出信号进行更新,另外σ项的引入,取消了为保证参数收敛持续激励的条件。系统的稳定性通过Lyapunov方法进行了分析,仿真实例验证了控制器的有效性。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

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。