基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

基于径向基函数神经网络滑模控制的运动控制系统

针对运动控制系统的非线性动态摩擦力,为提高系统的位置跟踪精度,利用-种径向基函数(RBF)神经网络滑模控制方法.采用一种具有指数形式的非线性摩擦力,利用径向基函数神经网络在线估计系统的不确定动力学,利用李亚普诺夫稳定性理论推导出网络权值的在线自适应律.仿真结果表明了该控制策略的有效性.     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

一类非线性系统的自适应神经跟踪控制

针对一类未知非线性动态系统,提出了一种基于神经网络的自适应输出跟踪控制方案。网络权值的自适应修正规则是基于Lyapunov稳定性理论实现的,避免了递归训练过程;一个滑模控制项用于消除神经网络逼近误差的影响。因此,该自适应神经控制器能保证系统的全局稳定性和输出跟踪误差渐近收敛于0。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

无刷直流电机的神经网络控制器的仿真研究

提出了一种无刷直流电机的神经网络非线性跟踪器的设计方法。在无刷直流电机的高性能速度跟踪中，若仅采用传统的PID调节，则难以克服系统本身参数扰动所带来的转速偏差问题。本文采用双神经元网络的控制方法，一个用于辨识，一个用于控制，并在Matlab与Simulink下进行了仿真。文中提出一种易于应用自适应权值修正的方法，可以加大采样频率。仿真结果表明，这种方法可以在不影响控制精度的条件下，大大减秒计算量，有利于在线实现。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法,研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换,将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数,网络的权值根据李亚普诺夫原则来在线修正,这样就克服了多神经网络控制系统中存在的稳定性问题。同时,为了减少权值学习时间,应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律,给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

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。     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

一种3自由度移动机器人的跟踪新策略

在证明了3自由度移动机器人系统具有可逆性的前提下，利用神经网络α-阶积分逆系统线性化解耦能力，将严重非线性及耦合的3自由度移动机器人系统解耦成3个SISO(single input—single output)的子系统，采用线性控制理论设计了路径跟踪控制器，实现了位置和方位的独立跟踪，同时提高了控制算法的实时性。最后通过路径跟踪仿真实例验证了算法的可行性和有效性。     

Neural adaptive sliding mode speed tracking control of a DC motor

We propose a BPNN based adaptive sliding mode control scheme for speed tracking of a DC motor with unknown system nonlinearities. The input-output linearization technique is used to cancel the nonlinearities, and output of the BPNN is incorporated into the controller in the proposed scheme. It is shown that the rotor speed of a DC motor can follow any arbitrarily selected trajectories under variable load torque. Then the application of the approach is tested via some simulations.     

基于神经网络的直流电动机实时跟踪控制

研究了三层对角回归神经网络(DRNN)用于直流电动机实时控制的方法.首先采用动态反传算法训练神经网络以辨识直流电动机的逆模型,然后将这一训练后的网络作为前馈控制器与常规反馈控制器一起输出控制电压,以控制系统跟踪位置或速度指令.该算法简单、计算量小,适于实时控制.仿真结果表明了该方法的有效性.     

基于动态面的机械臂轨迹跟踪神经网络自适应算法

针对由直流电机驱动的多自由度机械臂轨迹跟踪系统,提出一种基于动态面反演的RBF神经网络自适应算法,该算法利用动态面反省控制技术,一方面解决系统的非匹配不确定性问题,另一方面有效地解决系统的“计算膨胀”问题,并通过RBF神经网络对系统中的外界扰动进行逼近,实现神经网络自逆应反凉控制,最后通过Lyapunov稳定性理论证明所得闭环系统的半全局一致最终有界。仿真结果证实该算法的有效性。     

仿真转台的神经网络复合控制

介绍了一种神经网络复合控制方法，即在不抛弃众多工程技术人员所熟悉的经典控制方法的基础之上，采用神经网络控制来处理系统中的各种非线性及不确定性。给出了神经网络的迭代算法，讨论了系统的稳定性问题，并将该方法应用于高精度三轴飞行仿真转台的实时自适应控制中。实验结果表明了该控制方法的有效性。     

基于RBF神经网络的鲁棒滑模观测器设计

针对非线性不确定性系统,提出一种鲁棒滑模观测器。所提出的鲁棒滑模观测器通过滑模与相应的控制策略来实现。设计参数的选取不需要求解大量方程,同时能保证对系统的非线性不确定性具有鲁棒性,系统中不确定性的上界值采用RBF神经网络进行自适应学习。通过设计滑模,可以调整观测器跟踪系统状态的收敛速度,使状态估计达到预期的指标。仿真结果验证了提出方法的有效性。     

三相电压型PWM整流器建模和仿真研究

三相电压型PWM整流器(VSR)广泛用于AC/DC/AC系统前端整流.考虑到VSR本身非线性特点,建立适合于控制器设计上的数学模型比较困难,提出了一种状态反馈解耦控制电流内环和直流电压平方外环的电压型PWM整流器新型控制策略,基于功率平衡理论,采用解耦状态反馈控制方法,分析并建立了三相电压型PWM整流器d-q坐标系下的线性化数学模型.由于采用直流电压平方外环,使典型的非线性模型线性化,控制器设计直观精确,提高了直流电压和网侧电流的跟踪能力,改善了波形.提出了一种空间矢量的简化算法,简化了运算过程.在MATLAB/SIMULINK环境中建立了仿真模型.仿真结果表明:所设计整流器具有优良的稳态性能和快速的动态响应,实现简单,具有一定的实用价值.     

永磁同步电机位置跟踪控制器及Backstepping方法建模

针对永磁同步电机(PMSM)绕组相电流和转速强耦合特性，基于backstepping方法设计了高性能的位置跟踪控制器，并建立了采用该控制器的PMSM伺服系统仿真模型。仿真结果表明，用backstepping方法设计的PMSM控制系统可以获得很好的跟踪效果，并且其滤波跟踪误差迅速以指数特性收敛到零，具有很好的位置伺服控制特性。     

Neural network-based H∞ filtering for nonlinear systems with time-delays

A novel H∞ design methodology for a neural network-based nonlinear filtering scheme is addressed.Firstly,neural networks are employed to approximate the nonlinearities.Next,the nonlinear dynamic system is represented by the mode-dependent linear difference inclusion (LDI).Finally,based on the LDI model,a neural network-based nonlinear filter (NNBNF) is developed to minimize the upper bound of H∞ gain index of the estimation error under some linear matrix inequality (LMI) constraints.Compared with the existing nonlinear filters,NNBNF is time-invariant and numerically tractable.The validity and applicability of the proposed approach are successfully demonstrated in an illustrative example.     

机器人模糊神经网络阻抗控制

提出一种以位置控制为基础的模糊神经网络阻抗控制结构,它根据力误差修正参考位置,使机器人与环境的实际接触力跟踪期望力。利用模糊神经网络学习参考位置,不需要环境位置和刚度的先验知识。这种方法有误差补偿作用,对干扰和环境等不确定因素具有鲁棒性,仿真结果表明了控制方案的有效性。