高阶随机非线性系统状态反馈镇定

针对一类高阶下三角随机非线性系统,提出一种新的镇定方案,采用增加一个幂积分的工具构建了一个全局稳定的光滑状态反馈控制律。通过反馈占有设计方法和Young不等式处理随机系统的非线性项,取消了对随机非线性系统反馈线性化和控制输入呈线性的要求,基于Lyapunov方法,证明了闭环系统依概率全局渐近稳定。最后,仿真实例说明了算法的可行性。     

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.     

目标轨线迭代可变的非线性系统自适应学习控制

针对含有混合参数的非线性不确定系统,提出了一种自适应迭代学习控制方案。该方案利用Back-stepping方法和参数重组技巧相结合,可以处理目标轨线迭代可变的跟踪问题。通过引入微分-差分自适应学习律,设计了一种自适应控制策略,使得跟踪误差在一个有限区间上的积分渐近收敛于零;通过构造Lyapunov-like函数,给出了闭环系统收敛的一个充分条件。数值仿真验证了所提方法的可行性。     

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.     

一类高阶非线性系统的混合自适应重复学习控制

针对含有时变和时不变未知参数的高阶非线性系统,利用分段积分机制,提出了一种新的自适应重复学习控制方法,该方法结合了反馈线性化,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,通过引进微分-差分参数自适应律,设计了一种自适应控制策略,使广义跟踪误差在误差平方范数意义下渐近收敛于零,通过构造Lyapunov函数,给出了闭环系统收敛的一个充分条件.实例仿真结果说明了该方法的有效性和可行性.     

一类双线性参数化时变时滞系统的自适应迭代学习控制

针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.     

一类非线性参数化系统的自适应学习控制

针对控制增益是未知时变的并含有混合未知参数的非线性参数化系统,利用将整个区间分段与反馈线性化相结合,提出了一种新的自适应学习控制方法。该方法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。通过引进新颖的微分-差分混合型参数自适应律,使广义跟踪误差在误差平方范数意义下渐近收敛于零。通过构造Lyapunov泛函,给出了广义跟踪误差收敛的充分条件。实例仿真结果说明了该方法的可行性和有效性。