自主水下航行器事件触发自适应神经渐近深度跟踪控制

针对自主水下航行器(AUVs)在未知模型动力学和环境干扰作用下的高精度深度跟踪控制问题，设计一种事件触发自适应神经渐近跟踪控制器。采用径向基神经网络(RBF NNs)逼近模型中的非线性不确定项，将积分有界函数融入控制律和自适应律中，以实现跟踪误差的渐近收敛；采用最小学习参数(MLPs)技术压缩神经网络权重，构造单参数自适应律；在控制器至执行器通道上应用事件触发机制，构造变量式事件触发条件，避免“Zeno”现象；应用径向基函数的不等式关系，解决“代数环”问题；采用Laypunov直接法和Barbalat引理对闭环系统的稳定性进行分析，证明跟踪误差的渐近收敛。仿真试验验证本文控制策略可实现高精度深度跟踪。     

不确定分数阶同步发电机混沌系统的滑模自适应控制及参数辨识

考虑了一种带有周期性负荷扰动和电磁功率扰动的同步发电机系统模型.基于分数阶稳定性原理,对分数阶系统的动力学特性做了仿真分析.针对系统内部参数和扰动幅值的不确定,利用径向基函数神经网络的万能逼近特性改进滑模控制方法,设计了一种基于径向基函数的自适应滑模控制器,实现参数辨识,使系统输出能渐近跟踪目标轨迹,进而抑制分数阶系统混沌振荡.研究表明,该方法控制时间短、逼近误差小,而且有效地消除了抖振,具有实时控制、鲁棒性高等特点.     

基于神经网络的欠驱动水下机器人地形跟踪控制

为实现欠驱动自治水下机器人(AUV)的精确地形跟踪控制,设计了一种自适应神经网络控制器.采用径向基神经网络估计时变水动力阻尼引起的AUV模型不确定部分和外界海流干扰,设计自适应学习律来实现神经网络权值的最优估计.基于李雅普诺夫稳定性理论分析了跟踪控制系统的稳定性,设计的控制器可以使闭环误差系统渐近稳定且系统状态有界.仿真实验中选择实际测量得到的期望随机真实地形进行跟踪实验,并且要求AUV相对地形保持一个恒定的高度偏差.结果表明,该控制方法可以有效地降低模型非线性和不确定性引起的扰动,具有较高的跟踪精度,满足实际工程需求.     

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.     

基于操作空间的机械臂自适应模糊鲁棒控制

为提高动力学模型不确定的机械臂系统的跟踪精度, 提出了一种基于操作空间的自适应模糊的鲁棒轨迹跟踪控制方法。考虑存在未知的外部扰动和其他未建模动态, 引入GL(General Linear)矩阵及其乘法算子,利用模糊系统逼近任意非线性函数的能力对机械臂动力学进行前馈补偿, 通过鲁棒控制项抑制建模误差和有界扰动。该方法无需求解机械臂在操作空间的动力学模型。根据Lyapunov 稳定性理论证明了系统的稳定性,并通过仿真实验验证了所设计控制器能达到较好的轨迹跟踪效果。     

一类不确定非线性系统基于SVR的Backstepping自适应跟踪控制

针对含有不确定非线性扰动项的一类非线性系统,结合支持向量回归理论,采用Backstep-ping控制方法设计自适应非线性控制器.在分析满足Backstepping设计条件的一类非线性系统结构形式的基础上,应用支持向量回归辨识并补偿系统不确定项及未知扰动,基于Lyapunov稳定性理论,选取Lyapunov函数,证明闭环系统最终一致有界,且跟踪误差指数收敛.通过对典型系统仿真分析表明,相比于径向基神经网络自适应Backstepping控制方案,支持向量回归因其内部参数由训练优化产生,不依赖先验经验及外界干预,适应性较好,对参考指令信号跟踪收敛快,稳态误差小,控制方案有效,且系统具有一定鲁棒性.     

谐波驱动系统自适应神经网络动态面控制

针对谐波驱动系统动力学模型中存在的非线性摩擦、柔性变形和外界未知干扰力矩等因素的问题,为了提高系统的位置跟踪精度,提出了一种基于径向基函数(RBF)神经网络的谐波驱动系统自适应动态面控制.采用LuGre摩擦模型描述系统的非线性摩擦特性,用RBF神经网络在线逼近摩擦参数变化和外界未知干扰力矩对系统的影响,并通过李雅普诺夫稳定性理论证明了闭环系统的所有误差最终一致有界.仿真结果表明:与普通动态面控制相比,本控制策略对摩擦参数变化和外界未知干扰力矩具有较强的鲁棒性,提高了系统的位置跟踪精度.     

非完整移动机器人的神经网络滑模自适应轨迹跟踪控制

针对非完整移动机器人的轨迹跟踪控制问题,提出了一种鲁棒项系数自调整的神经网络滑模自适应控制策略。首先由反推法设计运动学控制器;其次,基于滑模控制设计动力学控制器,利用径向基神经网络(RBF)自适应逼近系统非线性不确定性上界,实现鲁棒项系数自调整,克服了传统滑模控制鲁棒项设计需要已知系统不确定性上界的缺陷,实现了速度跟踪。李亚普诺夫稳定性定理保证了闭环系统的稳定性及跟踪误差的渐近收敛。仿真结果进一步验证了所提方案的可行性。     

自由漂浮空间机械臂基于神经网络的H_∞鲁棒控制

考虑到自由漂浮状态的空间机器人模型不确定性,提出了神经网络的H∞鲁棒控制策略.首先建立自由漂浮空间机器人的动态模型,再利用径向基函数(RBF)神经网络良好的逼近能力自适应补偿系统的未知非线性模型,逼近误差作为外界干扰通过鲁棒控制器消除,该方法从整个闭环系统的稳定性出发建立了神经网络权值在线学习算法,利用H∞理论设计的鲁棒控制器保证了系统的稳定性,并使系统L2增益小于给定的指标.仿真结果表明了所提出的控制器的有效性.     

漂浮基空间机器人的智能融合自适应控制器设计

提出了一种智能融合自适应控制策略用于带外部干扰及模型不确定性的漂浮基空间机器人系统.首先建立不确定空间机器人动力学模型,利用径向基神经网络在逼近域内来补偿模型中出现的未知非线性部分,为保证权值及网络参数在线调节,采用线性化技术将非线性的RBF网络部分线性化,其高阶项量及逼近误差通过自适应鲁棒控制器消除,无须预先估计系统的不确定性程度和外部干扰,包括网络权值和基函数宽度及中心在内的所有参数均能在线实时调整,从而提高了控制精度.该控制器在神经网络控制器的暂时失效的情况下也能保证系统鲁棒性,基于李雅普诺夫理论证明了整个闭环系统信号一致最终有界（UUB）.仿真结果表明该智能融合控制器能够达到很好的控制精度.     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

欠驱动AUV自适应神经网络反步滑模跟踪控制

针对存在参数不确定性和外界未知干扰的欠驱动自主水下航行器(AUV)三维路径跟踪问题,提出一种基于神经网络的反步滑模控制策略.首先,利用虚拟向导的方法建立了欠驱动AUV三维路径跟踪误差模型;其次,基于李雅普诺夫稳定性理论,利用反步法和滑模控制方法设计一种自适应鲁棒控制器,并设计一种在线调节增益切换函数以降低系统抖振,同时采用径向基函数(RBF)神经网络控制技术对AUV系统中不确定参数以及外界非线性干扰进行自适应补偿估计,而后利用李雅普诺夫稳定性理论证明了整个闭环系统的稳定性;最后,针对一种新型飞翼式欠驱动AUV进行数值仿真实验,结果表明所设计控制器可以实现对三维路径的精确跟踪,并对外界非线性干扰具有良好的鲁棒性.     

带有未知参数和有界扰动的机械臂混沌反控制

混沌反控制是指通过对在自然状态下并不存在混沌的系统设计控制方案来实现闭环系统的混沌.文中针对带有未知参数和有界扰动的机械臂,设计了一种带有自适应终端滑模项的RBF神经网络控制器,来实现机械臂的混沌反控制.采用RBF神经网络逼近系统的未知非线性函数,通过自适应终端滑模实现系统对外界扰动的鲁棒性;利用Lyapunov稳定性定理证明了闭环系统所有信号的最终一致有界;最后,以两连杆平面机械臂为例,通过仿真验证了所提方法的可行性与有效性.     

基于神经网络自适应控制的磁滞类间隙补偿

利用连续时间动态微分方程描述磁滞非线性特性,采用两个神经网络函数分别逼近未知的非线性函数和磁滞模型的扰动误差,结合反步法提出一种自适应控制方案。仿真结果表明,系统具有良好的跟踪性能和全局稳定性。     

滤波减速器传动机器人的自适应RBF反演法控制

针对具有参数未知、外界扰动、强耦合、非线性和多变量的滤波减速器传动机器人建立系统数学模型并对其进行自适应RBF神经网络反演法控制。利用自适应RBF在线逼近系统模型中的未知非线性项设计基于自适应RBF神经网络的反演法控制器同时结合Lyapunov稳定性分析方法论证闭环系统的收敛性。所提控制方法有效地抑制诸如参数未知、外界扰动等对滤波减速器传动机器人的性能影响。仿真分析表明所提出自适应RBF神经网络反演控制器实现了滤波减速器传动机器人的高性能位置跟踪控制并具有很好的控制精度和鲁棒性。     

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.     

不确定性非线性系统的神经网络稳定自适应控制

为克服常规鲁棒控制中存在的保守性问题,提出一种不确定性非线性系统的神经网络稳定自适应控制算法。该算法是神经网络自适应控制和鲁棒最优控制的集成,采用线性参数神经网络逼近不确定性非线性函数,将神经网络逼近误差视为扰动并利用鲁棒控制对其进行抑制。整个系统的全局渐进稳定性及神经网络权值矢量的一致有界性采用Ｌｙａ－ｐｕｎｏｖ 稳定性理论和Ｂａｒｂａｌａｔ引理进行了证明,并证明了性能指标有界。在二自由度机械手应用中的结果表明,该控制系统不仅具有精确的跟踪性能,而且具有良好的鲁棒性。     

一种基于神经网络的机器人轨迹跟踪控制方法

对电驱动刚性机器人操作手轨迹跟踪控制问题进行了系统研究.利用径向基函数(RBF)神经网络的逼近学习功能,提出了一类神经网络控制策略.并用非线性系统LYAPUNOV数学理论进行了稳定性分析.所提出的控制方案力求保证控制系统具有较强的稳定性和鲁棒性,得到了机器人操作手轨迹跟踪误差的渐近稳定性.在进行严格理论证明的同时,结合计算机数值仿真实验验证所提出的控制方法是可行和有效的.     

基于模糊神经网络的无人水下航行器航迹跟踪控制

针对外界扰动的无人水下航行器航迹跟踪控制问题,通过定义一个动态滑模面,结合Lyapunov稳定性理论,设计航迹跟踪滑模控制器.考虑到系统中存在的未建模动态,在保证不引入模型参数的前提下,采用模糊神经网络在线逼近理想滑模控制律,并根据Lyapunov稳定性理论及投影算法得出模糊神经网络的参数自适应律.理论分析证明闭环控制系统的一致渐近稳定性、所有变量的有界性及跟踪误差及其导数渐近趋向于零.仿真实验验证了所提控制策略的有效性.     

一类带有未知时延的随机系统自适应控制

为了解决一类含有未知输入时延和状态时延的非线性随机系统的有界稳定跟踪控制问题,利用神经网络逼近未知的系统函数,并且使用反步法来构造所需的控制器,再利用动态面技术以避免出现"复杂性爆炸"的问题.针对系统的状态时延和输入时延,分别使用Lya-punov-Krasovskii函数技术以及补偿系统的相关方法.最后通过仿真实例验证该设计方案的合理性.结果表明该自适应神经网络控制器能够确保此闭环系统所有信号均半全局依概率有界,解决了此类含有未知时延和随机扰动的非线性系统的有界跟踪控制问题.