非线性系统一种新的模糊自适应后推设计方法

研究了一类非线性系统的自适应跟踪问题。利用系统设计过程所得误差信息,提出了一种新的模糊间接自适应后推设计方法。与常见的后退方法相比较,该方法可以获得更简洁的控制器表达形式。基于李亚普诺夫稳定性理论,给出了闭环自适应系统一致渐近有界的证明。仿真结果验证了本方法的有效性。     

非线性模糊直接鲁棒自适应控制的后推设计

采用模糊直接控制方法,针对一类非线性多入多出系统,提出了一种带有连续鲁棒项的鲁棒自适应控制方法.在此基础给出了高阶多入多出系统的鲁棒自适应的后推设计方法.在鲁棒项合理简化的情况下,给出了系统Lyapunov意义下的稳定性证明,简略分析了各设计参数的物理意义及其对系统性能的影响.理论分析和仿真实验均显示,本方法可以使系统全局渐近稳定,且选取恰当的设计参数可保证系统对输入信号的跟踪达到任意精度;并且由于鲁棒项的引入可使系统的设计更具灵活性.     

具有时变扰动不确定系统的对偶自适应控制

对一类具有参数不确定性以及时变外部输入扰动的线性系统的控制方法进行了研究 :(1)提出了一种系统参数和扰动的联合辨识实时辨识方法 ,即在不需预先知道扰动模型的情况下 ,同时估计被控对象参数与外部输入扰动 ,并根据辨识结果对输入扰动进行实时补偿 ;(2 )设计了一对偶自适应控制器 ,该控制器具有控制与学习的双重作用 ,能够克服系统参数不确定性影响 ,且防止了传统自适应系统可能有的“关断” ,“终止”和“猝发”等不良现象 ,从而增强了自适应控制系统的鲁棒性。最后通过仿真例子验证了算法的有效性。     

用遗传算法求解最优同时镇定控制器

研究了用改进的遗传算法求解同时镇定一族线性定常系统的最优状态 /输出反馈控制律问题。引入了通常的二次型指标作为每一个系统的性能指标。在满足稳定性的条件下 ,通过最小化每个系统性能指标的加权函数值来求得最优同时镇定律。提出了一种求解该优化问题的改进遗传算法。计算结果说明了该方法的有效性。     

半实物仿真中的期望频率特性控制研究

根据半实物仿真系统中期望输出预知的特点,讨论了相应的离散控制问题。首先提出了给定带宽的零相位滞后离散模型,对不可抵销零点的补偿方法进行了研究,并按该模型设计了相应的利用未来信号的前馈控制器。根据该方法可以获得近似的理想闭环模型。     

基于加速进化规划的模糊神经网络学习算法

提出了一种训练模糊神经网络的加速进化规划算法。该算法是进化规划算法的一种改进 ,适合于多维高精度的数值优化。经仿真实例验证 ,其收敛速度有了明显的改善 ,且不易陷入局部极小。     

一种基于模糊聚类和遗传算法的模糊神经网络模型的学习算法

提出了一种基于模糊聚类和遗传算法的模糊神经网络的学习算法,采用 模糊Ｃ－均值聚类算法进行模糊神经网络模型的结构辨识,得出最优或次优的模 糊规则数,采用改进的遗传算法进行系数辨识。仿真结果证明该算法是可行和有 效的。     

三轴扫描镜数学模型的建立与简化

本文应用拉格朗日方程推导出三轴扫描镜的准确数学模型。这是一个具有复杂非线性和强耦合的系统。对该模型做了线性化处理。简化的模型已在实际系统设计中获得了成功的应用。而准确的模型可作为制定更优良的控制方案和设计更好的控制器的基础。     

半实物仿真系统的预见控制研究

针对半实物仿真系统中未来信息可以利用的特点，提出了利用未来信息的线性逆系统设计方法，典型模型的仿真结果了该方法的有效性。     

一种模糊小脑模型神经网络

为了简化网络、提高网络的学习能力、便于对一些系统的建模,本文提出了一种小脑模型神经网络,将模糊逻辑的推理过程用小脑模型神经网络表示出来,其输入层采用模糊化的感受野,能有效地减少输入层的容量,提高逼迫能力。由于采用系统的模糊信息,可以按实际问题的性质初始化网络的结构与参数,有利于提高学习的收敛速度。学习结果能更真实地描述问题的实质。