耦合Riccati不等式组解的局部优化算法及其在微分对策中的应用

研究与线性二次微分对策的Nash次优均衡对策相联系的一组耦合Riccati矩阵不等式组的解的算法问题。将耦合Riccati矩阵不等式组的求解问题化为具有非线性约束的非凸优化问题，用双线性矩阵不等式（BMI）方法给出了Riccati矩阵不等式组解的局部优化算法，这种算法可以用MATLAB中的线性矩阵不等式工具箱（LMI Toolbox）求解，并给出了这种算法在微分对策中的一个应用实例。     

离散时变系统迭代域最优学习控制

针对线性时变离散系统，首次提出并研究了迭代域内线性二次型最优迭代学习控制问题。所得到的迭代学习控制方法在迭代域内是保性能最优的，其学习率不需主观选取，学习速度可通过改变性能矩阵参数进行调节。     

两种改进的BP神经网络学习算法

借鉴计算机网络拥塞控制中的"慢启动"策略,针对传统BP算法中存在的收敛速度慢与精度不高的不足提出了两种改进的变学习率学习算法,仿真结果表明改进的BP算法与自适应附加动量BP算法性能相近,其学习的收敛速度与精度优于传统的BP算法.     

基于观测器的线性不确定系统控制器设计新方法

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。     

不确定性机器人实时智能补偿控制

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