排序方式: 共有5条查询结果,搜索用时 375 毫秒
1
1.
2.
3.
4.
在实际应用中,大多控制系统均存在各种不确定性和扰动。针对这类系统的鲁棒控制方法,如综合μ、 H∞控制、保成本控制、变结构控制等近年来得到了深入的研究。但在已有的方法中,为了确保较强的鲁棒性, 通常要以降低系统性能为代价,且通常需要预先给出不确定/扰动项的边界估计值。本文针对线性不确定性 系统提出了一种新的控制器设计方法,整个设计分两步完成:首先基于给定的标称模型给出高性能的控制器, 然后利用状态观测器获得用以补偿不确定/扰动的控制输入项。仿真实例表明,新的控制方法不仅具有较好 的鲁棒性,而且相对于保成本控制具有更高的性能。尤其是当预先给定的不确定/扰动项的边界远超出实际 值时,采用本文方法,系统性能十分接近最优值,而利用保成本控制方法,系统性能与最优值相去甚远。 相似文献
5.
在神经网络在线学习控制中 ,实时性和控制精度是非常重要的两大指标。提出的一类具有多维存储结构的CMAC网络 ,提高了网络的泛化能力和学习速度。利用这一网络 ,针对不确定性机器人系统 ,考虑其标称模型 ,提出了一种新的实时智能补偿控制策略 ,并利用Lyapunov方法得出了系统全局渐近稳定的充分条件和网络学习律。在该控制策略中 ,系统的控制输入由两部分组成 :基于标称模型的计算力矩及补偿输入 ,其中补偿输入为系统标称惯性矩阵与神经网络输出的乘积。最后给出了仿真实例来说明该控制策略的有效性 相似文献
1