不确定非线性组合系统基于神经网络的鲁棒控制

针对不确定非线性组合系统,基于神经网络提出了一种新的鲁棒控制器设计方法·利用神经网络逼近系统的未知扰动和互联项·首先考虑不确定非线性组合系统的标称系统并且设计相应的标称控制器;其次考虑系统的未知扰动和互连项,设计了校正控制信号并把它加入了标称控制器中,这种设计方法可以保证实际系统具有最终一致有界的特性·控制信号是光滑的且不需要预先知道神经网络连接权或模型误差的上界·最后给出一个数值的例子,仿真结果表明该方法的有效性·     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器 ,该控制器能通过自学习不断进行适应性控制 ,且结构简单 ,易于实现 .其主要特点是能够提供一个跟踪网络来辩识系统模型 ,进而确定控制器的网络参数 ,实现间接自适应神经网络控制 .经过对大量非线性系统的仿真研究 ,证明其具有良好的控制性能 .     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

一类高阶非线性系统的自适应动态面控制

研究了一类不确定高阶非线性系统的稳定跟踪控制问题,并基于动态面控制技术,提出一种自适应控制的设计方案.该方法不仅取消了已有文献中高阶非线性系统的控制系数为已知常数或存在已知上下界的假设,而且通过引入1阶滤波器,消除了后推设计中由于反复对虚拟控制求导而导致的复杂性问题.利用Lyapunov方法,证明了闭环系统是半全局一致终结有界,通过适当选取设计参数,跟踪误差可收敛到原点的一个小邻域内.仿真结果表明了所提控制方法的有效性.     

一类非线性系统的直接自适应控制

在模糊神经网络滑模控制器的基础上提出了一种设计方法，将ＦＮＮＳＭＣ与模糊神经网络有机结合，通过平滑切换实现自适应控制。这种方法增强了系统的鲁棒性且能有效地消除高频颤动，仿真结果说明本方法有效。     

一类非线性多变量系统的模糊神经网络自适应控制

针对一类数学模型不完全确知并包含外部扰动的非线性多变量系统，提出一种模糊神经网络(FNN)自适应控制策略．用FNN模型在线辨识非线性系统的未知动态，并根据误差系统的Riccati方程，设计H∞控制，有效抑制系统的外部扰动，该控制律采用Lyapunov设计方法来保证控制系统的稳定．FNN自适应控制策略解决了传统非线性控制器理论结果形式过于复杂，实用性差的问题，拓宽了非线性理论的应用范围．     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

基于自适应动态规划的非线性系统最优采样控制

研究了连续非线性系统的最优采样控制问题.首先,结合零阶保持器的思想设计了采样控制机制;然后,利用评价神经网络逼近未知的最优成本函数,进而设计出一种最优采样控制器,在此控制器下得到系统是一致最终有界的;此外,还通过仿真验证了所提方法的可行性以及较传统方法的优越性.     

Robust Adaptive Neural Control of a Class of MIMO Nonlinear Systems

In this paper we present a robust adaptive control for a class of uncertain continuous time multiple input multiple output (MIMO) nonlinear systems. Multiple multi-layer neural networks are employed to approximate the uncertainty of the nonlinear functions, and robustifying control terms are used to compensate for approximation errors. All parameter adaptive laws and robustifying control terms are derived based on Lyapunov stability analysis so that, under appropriate assumptions, semi-global stability of the closed-loop system is guaranteed, and the tracking error asymptotically converges to zero. Simulations performed on a two-link robot manipulator illustrate the approach and its performance.     

一类不确定非线性系统的神经网络鲁棒反推镇定控制

对一类不确定非线性系统,将反推控制和神经网络相结合,研究了其鲁棒渐近镇定控制问题。与通常研究中被控对象仅局限于严格反馈形式相比较,研究对象更具一般性。基于反推控制方法来构造镇定控制器,利用神经网络来逼近控制器构造过程中产生的不确定项,并提出一种新的自适应算法来在线调节神经网络权值。通过一步步适当地选取虚拟控制器的参数和神经网络权值的自适应律,最终得到的控制器使得整个闭环系统是全局渐近稳定的。     

不确定非线性系统的动态曲面控制

针对一类严格反馈形式的非线性不确定系统,提出了一种动态曲面鲁棒自适应控制方法.设计方案类似于backstepping方法,但该方法通过增加若干个低通滤波环节避免了backstepping设计过程中对一些特定函数的重复求导,从而解决了backstepping设计方法固有的"复杂度爆炸"问题,简化了控制器的设计,提高了方法的工程可实现性.最后通过仿真进一步验证了方案的有效性.     

复杂动态车削过程的神经网络直接自适应控制

动态是系统最基本的特性，为了实现复杂动态系统的实时控制。文中对已有动态神经网络结构进行了改进，使之易于应用于一般未知系统：在此基础上研究了运用动态神经网络实现直接自适应控制的方法，并针对回转类复杂曲面车削过程的特点，提出了相应的动态神经网络直接自适应控制方案，以综合实时校正加工过程中参数缓慢时变，突变以及非线性等复杂动态因素的影响。针对典型零件的车削实验表明，该方法可有效地减小复杂轮廓加工误差。     

未知非线性系统的神经网络自适应鲁棒控制

针对一类未知非线性系统,基于神经网络理论提出一种间接自适应控制方法,该方法不仅保证了闭环系统的稳定,而且使外部干扰、神经网络逼近误差对跟踪误差的影响衰减到给定的水平.     

基于径向基函数神经网络迟滞非线性自适应控制

提出了一种新的动态迟滞非线性模型．将一定数量不同死区宽度的backlash模型并行相加,作为一个动态系统以仿真执行器中的迟滞特性．利用该模型,采用伪控制方法设计了一套具有未知迟滞特性非线性系统的神经网络自适应控制方案,通过自适应算法来调整干扰项的上限．采用Lyapunov稳定性理论进行了严格证明,仿真试验验证了所提方案的有效性．     

具有输入时滞的随机非线性系统的自适应神经网络控制

考虑一类具有输入时滞的随机非线性系统的自适应神经网络控制问题。通过定义含输入积分项的设计变量,将输入时滞系统转变为非时滞系统。结合神经网络控制、积分中值定理与Decoupled Backstepping技巧,针对该类系统提出一套自适应控制策略。所提出的控制器保证闭环系统的所有信号皆4阶矩半全局一致最终有界,并且跟踪误差收敛于原点附近的小邻域内。仿真实验结果验证了所提出控制策略的有效性。