多变量非线性系统的直接自适应模糊预测控制

对一类多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接利用模糊系统设计预测控制器,并基于时变增益自适应律对控制器中的未知向量和逼近误差估计值进行自适应调整。证明了此方法可使跟踪误差收敛到原点的一个邻域内,仿真结果验证了此方法的有效性。     

Wang-Mendel模糊模型控制规则的提取及应用

针对如何利用系统的模糊模型设计模糊控制器,提出以系统的模糊规则库为基础,提取模糊规则中的信息获得控制规则的方法。以钢铁工业中连续退火炉的加热炉为对象进行了仿真,首先提取描述对象输入-输出映射关系的模糊规则组成完备规则库,并以此为基础提取控制规则补偿输出偏差。仿真结果表明能够达到期望的效果。     

一类非线性系统的直接自适应模糊滑模控制

研究了一类非线性系统的一种直接适应模糊滑模控制（AFSMC）的问题。首先，在系统的非线性动态函数满足可估计和有界两个基本假设的条件下，给无了此类系统基于非线性动态函数估计的一般滑模控制律设计。然后基于目标函数梯度校正的方法，通过自适应机构调解模糊逻辑系统（FLS）的后作参数，所设计的自适应模糊逻辑系统（AFLS）能够逼近系统基于非线性动态函数估计的一般滑模控制律。这样，系统的自适应模糊控制律具有一般滑模控制律的控制效果，同时由于AFLS的滤波作用，具有消除滑模控制高频抖振的特性。数值仿真结果证明了所设计控制律的有效性。     

连续搅拌反应釜的智能PID控制

针对一类具有强非线性的连续搅拌反应釜,常规的控制策略难以取得满意的控制效果.为解决上述问题,本文将常规PlD控制与非线性项的神经网络补偿相结合,提出了连续搅拌反应釜的智能PlD控制方法.该方法基于常规增量式数字PID控制器,采用多层神经网络对非线性项进行估计和在线自适应补偿,易于在DCS中实现.仿真和实验结果表明了算法的有效性和可实现性.     

一类非线性系统的模型参考自适应模糊控制

针对一类不确定非线性系统 ,基于一种修改的监督控制方案并利用广义多线性模糊逻辑系统的逼近能力 ,提出了一种模型参考自适应模糊控制器设计的新方案。该方案利用参考模型作为性能指标 ,自适应调节模糊控制器的规则库 ,并通过引入最优逼近误差的自适应补偿项来消除建模误差的影响 ,不但能保证闭环系统稳定 ,而且可使跟踪误差收敛到零。仿真结果表明了该方法的有效性     

基于成长遗传算法的非线性模型预测控制及仿真

非线性预测控制在每个控制周期需要求取控制量,其实质为非线性优化问题。标准遗传算法时间消耗较大,难以用于控制周期较小的系统。首先证明了基于种子策略和精英保存策略的遗传算法能够保证闭环控制系统的渐进稳定性;继而模拟自然界成长过程,利用成长算子改进算法框架,并用爬山法进行实现。在具有强烈非线性的连续搅拌釜式反应器模型上进行仿真试验。试验结果表明,在不损失控制效果的情况下,成长遗传算法有效的降低了时间消耗。     

一种模糊自适应交互多模型算法

提出了一种模糊自适应交互多模型（FAIMM）算法。该算法通过模糊推理机制，在线调节模型集合中部分模型的参数，使这些模型对不同的目标机动模式有更强的自适应能力，从而使该算法可以采用较少的模型达到很好的跟踪滤波效果，而且避免了传统交互多模型算法的模型冲突问题，大大减少了计算量。最后将该算法与传统的交互多模型算法进行了仿真对比，仿真结果表明，FAIMM算法比传统的交互多模型算法有更好的跟踪性能。     

一类不确定离散非线性系统的边界层自适应模糊滑模控制

研究了一类不确定离散非线性系统的模糊滑模控制问题,提出了一种基于边界层模糊自适应的模糊滑模控制方法.首先,在系统非线性动态函数上界已知的条件下,给出了系统的准滑模控制律设计,证明了系统的闭环稳定性.引入一个滑模边界层可调参数,在边界层外施加准滑模控制律;在边界层内,去掉准滑模控制律,施加模糊逻辑控制.边界层参数用模糊逻辑系统进行在线自调节,消除了系统处于准滑动模态时的高频抖振.数值仿真结果证明了所设计控制律的优点和有效性.     

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。     

非线性系统的T-S模糊建模与控制

研究了非线性系统的T-S模糊建模与控制问题，并应用到一级倒立摆的模糊建模中，采用并行分配补偿法（PDC）设计控制器，并用线性矩阵不等式（LMI）计算控制器参数，仿真验证建模正确，控制器简洁有效。     

非线性多模型控制及仿真研究

连续发酵过程是一个强非线性的生化反应过程，其控制已成为一个难点。传统的预测函数控制一般只能处理线性对象。通过对非线性动态过程的多模型建模，提出了基于加权的多模型自适应预测函数控制方法，用于大范围的非线性连续发酵过程控制，实现了多模型之间的无扰切换。仿真结果表明：跟踪性能优良，鲁棒性强，说明了该方法对非线性系统大范围控制的有效性。     

多模型自适应控制算法的性能分析

多模型自适应控制利用多个元素模型覆盖被控对象的不确定性,并针对这多个元素模型建立多个稳定的控制器。每一个采样时刻,基于一个以模型输出误差为变量的具有积分特点的指标切换函数,选择描述被控对象最优的元素模型,并将基于此模型的控制器切换为当前被控对象的控制器。研究如何调整多模型自适应控制器的结构和参数,提高控制品质,为多模型自适应控制器的应用和进一步研究提供理论基础。     

一类非线性系统的自适应模糊控制

针对一类非线性系统,利用模糊逻辑提出一种鲁棒自适应控制方法.首先证明在一定的条件下,闭环系统必能稳定,并证明这个条件即必落人某一紧集中成立,同时考虑其控制性能,选择鲁棒控制量,使跟踪误差达到要求的性能指标.     

基于PSO在线优化的多模型自适应动态矩阵控制

针对常规的自适应动态矩阵控制算法,在实际被控对象的模型参数发生突变时,系统的瞬态响应较差,提出了基于PSO在线优化的多模型自适应动态矩阵控制方法。对一类含跳变参数的单输入单输出离散时间被控对象,在模型参数范围未知情况下,以自适应模型参数为依据,经规则判断后通过所提出的基于双群体深度搜索的粒子群优化（PSO）算法在线优化自适应模型参数,并通过所定义的模型相似度自动建立多个固定模型。通过指标切换函数找到当前最优控制器。仿真结果表明,该方法明显优于常规的自适应动态矩阵控制算法,说明了该方法的有效性和可行性。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

基于T-S模糊模型的非线性自适应逆控制系统

现在非线性自适应逆控制系统中，由于对象模型和逆控制器均采用非线性自适应滤波器，自适应过程需要同时训练至少两个串联的非线性自适应滤波器，从而造成自适应学习过程过于复杂。利用一组自适应LMS滤波器建立非线性对象的T-S模糊模型，它为逆控制器的学习提供了准确的解析的对象模型Jacobian信息，从而有效简化了自适应逆控制学习过程。仿真结果表明，无论是离线建模还是在线建模，该非线性自适应逆控制方法均能取得理想的控制效果。     

一类非线性系统的自适应模糊滑模控制

针对一类非线性系统的控制,把模糊自适应和滑模控制相结合,设计了一种新型的全局滑模控制器,以全局模糊滑模面为滑模控制器的输入,通过模糊推理处理了非线性和减少了抖振,基于Lyapunov函数的稳定性分析,求出模糊控制规则的自适应律,构成一个全局模糊控制器,有效解决了传统滑模控制中,需要确定参数摄动和外部干扰上确界的问题,同时削弱了系统得抖振,仿真结果显示了该方法的有效性。     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.