未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法，研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换，将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数，网络的权值根据李亚普诺夫原则来在线修正，这样就克服了多神经网络控制系统中存在的稳定性问题。同时，为了减少权值学习时间，应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律，给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

陀螺仪温度建模研究

介绍了陀螺温度试验系统的结构和特点，用该系统进行了某型陀螺仪的温度速率试验与位置试验。在试验数据的基础上，分别使用线性回归算法和小波网络建立了陀螺仪的静态温度模型。线性回归法算法简单，已用于实际工程中；而小波网络辨识可以任意逼近陀螺仪温度模型的非线性特性，得到更好的辨识精度。