基于神经网络一类非线性系统自适应控制

对一类未知可控非线性仿射系统,假设其状态不完全可测。首先,利用动态回归神经网络建立其状态方程和输出方程,用Lyapunov理论证明了辩识误差∈L∞;然后,设计状态反馈控制器,使系统的输出跟踪参考输出,从理论证明了跟踪误差趋于零。最后,通过一个仿真实验验证了本方法的有效性。     

神经网络在质量矩导弹控制系统上的应用

以所建立的质量矩导弹数学模型为基础,通过对模型合理的简化,得到一个耦合的非线性动力学系统,由于存在参数的不确定性以及建模误差,考虑到质量矩导弹的鲁棒性要求,采用神经网络自适应控制器对系统进行补偿。通过李亚普诺夫稳定理论证明跟踪误差是指数收敛的,仿真结果验证了这种方法的有效性。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

神经网络自校正预测拥塞控制算法研究

传输速率、处理速度和节点缓存容量的饱和非线性特性、传输延迟的随机时变性、用户接入的随机性以及高优先级业务的突发性,使得网络中存在严重的不确定性,由此给异步传输模式(ATM)网络拥塞控制系统的分析与设计带来极大的困难。为此设计了鲁棒神经网络自校正拥塞控制算法。其优点在于:(1)最大限度地减小了测量误差和随机干扰的作用,有效地补偿了时变不确定非线性的影响;(2)保证了闭环系统的稳定性、收敛性和公平性,增强了系统对随机延迟等不确定性的鲁棒性。仿真分析进一步验证了该算法的有效性。     

Adaptive tracking controller using BP neural networks for a class of nonlinear systems

An BP neural-network-based adaptive control (NNAC) design method is described whose aim is to control a class of partially unknown nonlinear systems. Making use of the online identification of BP neural networks, the results of the identification could be used into the parameters of the controller. Not only the strong robustness with respect to uncertain dynamics and nonlinearities can be obtained, but also the output tracking error between the plant output and the desired reference output can asymptotically converge to zero by Lyapunov theory in the process of this design method.And a simulation example is also presented to evaluate the effectiveness of the design.     

Adaptive neural control for a class of uncertain stochastic nonlinear systems with dead-zone

The problem of adaptive stabilization is addressed for a class of uncertain stochastic nonlinear strict-feedback systems with both unknown dead-zone and unknown gain functions.By using the backstepping method and neural network(NN) parameterization,a novel adaptive neural control scheme which contains fewer learning parameters is developed to solve the stabilization problem of such systems.Meanwhile,stability analysis is presented to guarantee that all the error variables are semi-globally uniformly ultimately bounded with desired probability in a compact set.The effectiveness of the proposed design is illustrated by simulation results.     

基于神经网络的BTT导弹鲁棒动态逆设计

针对存在不确定性的BTT导弹系统,基于神经网络提出了一种鲁棒动态逆控制系统设计方法。首先应用双时标假设将BTT导弹动力学分离为快变状态动力学和慢变状态动力学。然后,在巧妙地利用导弹气动参数特性设计Lyapunov函数的基础上,对快变状态动力学和慢变状态动力学分别进行动态逆控制设计。设计中应用RBF神经网络来逼近系统中存在的不确定性,证明了闭环系统的所有信号均有界且指数收敛至系统原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果验证了该算法的有效性。     

Decentralized direct adaptive neural network control for a class of interconnected systems

1 .INTRODUCTIONA number of interconnected systems found in theworld, such as electric power systems ,industrymanipulators and computer networks , are oftencomposed of a set of subsystems . A centralizedcontrol strategy for the requirement of a large a-mount of information exchange between the sub-systems . A decentralized control method, devel-oped based only on local measurements ,is oftenpreferable . At present ,there have been many re-search results for adaptive control of interconnec-…     

神经网络模糊非参数模型自适应控制及仿真

提出一种基于神经网络的模糊非参数模型自适应控制方案。该方案仅用受控系统的I/O数据来设计控制器,综合了模糊控制、神经网络与非参数模型学习自适应控制各自的优点。仿真表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

一种非线性时变系统小波网络辨识算法

提出一种可对任意非线性时变系统进行辨识的新方法，即基于小波神经网络的带自校正移动窗的递推最小二乘算法，与现有的神经网络辨识算法不同，该算法是根据被估权值时变速度的快慢来自适应地调整移动窗的长度，以跟踪非线性时变系统的动态特性，文中推导了了算法，并将全局算法进一步推广成不含任何矩阵运算的局部算法以提高算法的实时性能，几个典型的系统辨识仿真实例显示出这种方法具有跟踪精度高和计算简便的良好性能。     

Traffic control based on dahlin algorithm and neural network prediction in TAM networks

The propagation delay in networks has a great adverse effect on rate-based traffic control. This paper proposes the composite control based on Dab lin algorithm feedback control and neural network feedforward predictive compensation online for ABR (available bit rate) communication in ATM (asynchronous transfer mode) networks, which can overcome the adverse effect caused by the delay on the control rapidity and stability better. The theoretical analysis and simulation research show that the scheme can make sources respond to the changes of network status rapidly, avoid the congestion effectively and utilize the bandwidth sufficiently. Compared with PID (proportional-integral-derivative) control, cell loss rate is much lower, link utilization rate is much higher, and required buffer capacity is much smaller.     

动态神经网络的非线性系统鲁棒辨识和状态观测

针对多变量仿射非线性系统辨识和状态估计问题。采用动态神经网络作为辨识器和观测器,从而将系统辨识和状态观测设计过程合二为一,给出了辨识和状态估计的系统设计方法及具体设计步骤。在考虑建模误差项影响的情况下,采用基于Lyapunov理论的权调节律确保权值估计误差和状态观测误差的一致最终有界。仿真结果验证了所提方法的有效性。     

神经网络结构的递归T—S模型模型

提出一种新的递归T－S模型（Takagi-Sugeno模型）的模糊神经网络结构（TSFRNN）,利用动态BP（DBP）算法来学习训练神经网络的参数,通过与通常的多层前馈神经网络结构的T－S模糊神经网络（TSFNN）的对比仿真实验,说明在非线性系统建模方面TSFRNN比TSFNN更加优越。     

一类纯反馈非仿射非线性系统的自适应神经网络变结构控制

研究了一类非仿射的纯反馈单输入单输出非线性系统。针对此系统,在中值定理、神经网络参数化和解耦Backstepping的基础上,提出了一种自适应变结构神经网络控制策略,而且所给出的定理证明闭环系统的所有信号在平衡点上是半全局一致有界的。通过对一个非仿射CSTR对象的仿真验证了该方法的有效性。     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

自学习智能决策支持系统

提出了一种基于神经网络与专家系统的自学习智能决策支持系统,使得智能决策支持系统能够对过去的经验进行学习。在无人作战飞机系统的应用表明,智能决策支持系统不仅能够对过去的经验进行学习,并且成功地解决了在规则不完善、战场信息不完全的情况下决策支持系统的推理问题。仿真结果表明,提出的方法显著地提高了智能决策支持系统的性能。     

基于神经网络的建筑行业投标报价研究

在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价之间的关系是一个棘手的问题．论文针对这两大难题提出了基于神经网络技术的解决方法．首先根据贡献变量分析理论确定出影响报价结果的9个报价因素，从而建立起基于神经网络的报价模型，然后在所确定模型的基础上改进传统的BP算法，进一步提高网络的泛化能力．从实际应用的结果可以看出，经过变量选择后所确定的报价因素是合理的，改进学习算法后的网络的泛化能力也有了很大的提高．     

基于神经网络的机械臂分散自适应跟踪控制

提出了一种适用于机械臂的基于神经网络的分散自适应轨迹跟踪控制方法。将机械臂的轨迹跟踪控制系统考虑为由多个非线性关联组成的不确定性复杂系统,采用分散控制方法进行控制器设计。在对每一子系统设计控制器时,采用直接反馈线性化,利用控制器构建伪线性系统,并引入神经网络自适应环节消除干扰、关联及逼近误差,从而使所提出的控制方法能够保证系统状态有较高的跟踪精度,且算法简单,易于实现。仿真表明,该算法能保证较高的跟踪效果。