一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

一类非线性系统的自适应模型跟随控制

讨论了一类非线性系统的自适应模型跟随控制问题。首先给出了系统的一般描述,然后研究了该系统模型跟随控制的存在条件，最后讨论了如何设计前馈控制和反馈控制矩阵的迭代调节律,使得系统输出能够快速地稳定地跟随参考模型输出。仿真结果表明了这一控制方案具有良好的非线性跟随效果。     

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     

一类非线性系统的执行器组合故障自适应容错控制

针对一类具有执行器组合故障的多输入单输出非线性最小相位系统提出了自适应容错跟踪控制方案。考虑系统执行器卡死和部分失效组合故障,基于微分几何反馈线性化,设计了模型参考自适应容错控制算法。设计的控制律能够保证系统在执行器故障时闭环系统稳定,而且渐近跟踪给定的参考信号。仿真结果表明了所提方法的有效性。     

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。     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

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。     

一类不确定非线性系统的鲁棒自适应控制

针对一类具有未知控制方向、未知参数以及未建模动态的非线性系统,提出了一种带有死区修正的鲁棒自适应递推控制策略.该策略不需要控制方向符号的先验知识.根据参数的上下界先验信息,分别将光滑投影算法和非连续投影算法与参数自适应律结合起来,既抑制了参数的漂移,又使估计参数达到了最小.算法保证了闭环系统所有信号的有界性,同时使得跟踪误差收敛于零的任意小邻域内.     

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。     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

基于RBF网络的BTT导弹逆控制研究

运用RBF神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,并以辨识模型为控制器与BTT导弹控制系统串联构成一个动态伪线性系统,进而应用逆系统方法设计了一种用于解决BTT导弹非线性控制问题的经典控制与神经网络在线自学习相结合的控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪.仿真结果表明,该方案可依据设计指标的要求,实现对BTT导弹的非线性控制,且具有较强的鲁棒性.     

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.     

基于模糊神经网络的动态非线性系统辨识研究

针对静态模糊神经网络对动态系统辨识精度低的特点,在5层静态模糊神经网络基础上进行了优化和改进,形成了可将暂态信息记忆于网络的动态回归层的动态模糊神经网络,来提高对动态系统的辨识能力。同时给出了参数的动态自适应学习算法。通过仿真实验,证明提出的动态模糊神经网络对动态非线性系统的辨识,可以取得较好的辨识精度,较快的网络收敛速度,为动态非线性系统的辨识提供新的思路。     

一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

基于递归小波神经网络的非线性动态系统仿真

为提高动态递归神经网络的动态系统仿真能力，在Elman神经网络的基础上，提出动态递归小波神经网络（RWNN），给出了其动态梯度下降算法，并将其成功应用于非线性动态系统仿真．仿真算例表明，该网络具有收敛快，精度高等优点，仿真效果很好，同时具有较好的泛化性能，具有广阔的应用前景。     

基于自适应逆控制的离散MRAC设计

在模型参考自适应控制中,以往消除扰动的方法是将系统输出和干扰同时反馈来提高系统性能和消除干扰,两者只能折中实现。针对此问题,结合自适应逆控制理论和超稳定理论,提出了一种克服随机扰动的离散MRAC设计方法。本方法引入自适应逆模型来消除系统扰动,将对象性能和扰动控制分开单独进行处理,可分别提高各自的性能。仿真实验证实了方法的可行性。     

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。     

RBF网络模型参考自适应控制在温度控制中的仿真研究

减压塔侧线温度系统是一个时变非线性复杂系统,采用常规的PID控制回路难以达到较好的控制品质。针对克拉玛依石化厂原油蒸馏装置中的减压塔,根据实际控制要求,提出了RBF神经网络模型参考自适应控制策略,设计了减压塔减三线温度控制系统,给出了RBF神经网络控制器和模型辨识网络参数的学习算法。仿真结果表明,采用提出的控制策略,控制效果非常好,完全达到控制要求。     

基于状态观测器的非线性系统神经网络自适应控制

结合高增益观测器,针对相对阶为n的非线性系统,设计了神经网络自适应控制器。利用Lyapnov定理获得了神经网络权值的更新律和控制器的控制律,从而确保了整个闭环系统的稳定性和有界性。由于神经网络不需任何的离线训练,因而该控制器能够广泛应用于一大类非线性性系统的控制中。仿真结果验证了控制方案的有效性。