一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

基于提升的自适应非线性小波变换研究

针对传统小波变换在处理信号时缺乏自适应能力的缺点,提出一种新的自适应小波变换算法.读算法主要基于信号的局部结构特征的相关性,及这种相关性所表现出的方向性,利用这些信息采用自造应提升策略来构造小波.给出了一种新的自适应非线性更新算子U的结构,并证明了采用此结构分解的小波可很方便地实现完全重构.先给出算法结构的一般框架,然后给出了在一维和二维情况下具体实现的例子.试验表明该算法优于一般算法,和其它自适应小波算法相比,本算法有更强的自适应能力和更大的灵活性.     

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。     

一种非线性自适应逆噪声控制器设计及其仿真

基于模糊神经网络算法研究了非线性系统的噪声消除问题,设计了一类非线性自适应逆噪声消除控制器。该文利用模糊神经网络融合算法所具有的对任意函数的精确逼近性,对非线性系统进行建模和逆建模,从而为非线性自适应逆噪声控制器的有效性提供了保障。最后将所设计的控制器用于仿真实例,研究表明该噪声控制器能有效地消除非线性被控对象的噪声污染。说明了该方法的可行性和有效性。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

非线性系统的自适应控制仿真研究

本文以本溪合金厂电解铜箔车间电流密度为控制对象,对系统中造成产品浪费的死区和齿隙两个非线性环节进行线性化处理,并采用自校正调节器控制,使系统的稳态误差缩小到1％左右,动态性能指标也满足一定要求。     

基于神经网络的非线性系统的间接自适应控制

针对一类不确定非线性动态系统 ,利用多层神经网络系统MNNs的逼近能力 ,提出了一种间接鲁棒自适应神经网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界 ,而且理论分析证明了闭环系统的跟踪误差渐近收敛到零。仿真试验表明本控制算法是有效的。     

基于小波神经网络的自适应逆控制及其应用

神经网络控制特别适用于具有非线性和不确定性因素的系统。采用小波神经网络(WNN)对飞行仿真转台的直流伺服系统进行实时辨识,得到其逆模型。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结合构成并行自适应逆控制器,控制转台跟踪指定的速度和位置轨线。仿真结果表明该方法的有效性。     

基于小波网络的非线性组合预测方法研究

提出了一种基于小波网络的非线性组合预测新方法,以克服线性组合预测方法在解决非平衡时间序列组合建模问题所遇到的困难和存在的不足,并给出了相应的学习算法求解小波函数线性组合的尺度和时延参数以及神经网络权值。理论分析和大量的应用实例表明：本方法具有很强的泛化能力与自适应数据和函数变化的能力,在处理诸如经济时间序列这种具有一定程度不确定性的非线性系统的组合建模和预测方面有较高的应用价值。     

Direct adaptive control for nonlinear uncertain system based on control Lyapunov function method

1 .INTRODUCTIONIn many applications , dynamics of the plant arepartially known,and esti mation is the key in de-signing a successful control . Adaptive control ,re-presents the means of achieving online esti mation,has been the focus of research in recent years .Classes of stabilizable uncertain systems have beenfound,and several adaptive control design proce-dures have been proposed[1 ~4].The purpose of this paper is to develop newsolutions tothe adaptive stabilization problemfor aclass …     

基于自适应窗的小波域图像去噪算法

提出了一种利用自适应窗的小波域双重局部维纳滤波图像去噪算法。综合考虑小波分解后各个子带中能量分布的方向特性和图像本身的边缘和纹理特性,该算法首先估计每个子带中信号的能量分布进而在每个子带中确定自适应窗,然后利用自适应窗估计出的能量分布对含噪图像进行双重维纳滤波来去除噪声。实验结果表明该算法对含噪图像去噪的效果优于已有的采用二维可分实小波进行图像去噪的算法。     

基于小波分析和非线性PCA的图像压缩算法

提出一个基于小波分析和非线性PCA(nonlinear principal component analysis,NLPCA)的图像压缩算法,该算法通过对小波分解系数的能量大小对各个小波子图进行分类,然后用具有高强压缩能力的NLPCA对各类子图进行不同程度的压缩。其主要特点是在高压缩比条件下能达到很高的图像重构信噪比。实验结果表明该算法性能良好,在压缩比为93.1时其图像重构信噪比都能达到30以上。     

基于观测器的不确定非线性系统L1自适应控制

针对一类严格块反馈型不确定非线性系统,采用反步设计方法提出了一种新的基于滑模状态观测器的L1自适应控制方案。由于系统状态不完全可测,首先设计滑模观测器对系统状态进行估计,并分析观测器的收敛性,在此基础上,通过反步法得到系统的理想控制律。为了消除反步控制中的“项数膨胀”,引入非线性跟踪微分器来提取理想控制律的微分信号。为提高系统响应的瞬态性能,消除控制输入的高频振荡,引入L1自适应控制对控制律进行改进,通过理论推导证明了闭环系统的稳定性。最后通过数值仿真算例验证了所设计控制方案具有快速的收敛性、良好的跟踪性等期望性能。     

基于观测器的非线性系统直接自适应模糊控制

针对状态不可测的一类不确定非线性系统,利用模糊系统的逼近能力,提出一种基于观测器的直接自适应模糊控制方案。该方案通过引入观测量的调制函数,使得模糊系统的输入集在有界闭区域上,从而取消了观测量有界的假设。利用Kalman Yacubovitch Popov定理及李亚普诺夫函数,证明了闭环控制系统所有信号是有界的,跟踪误差收敛到零。仿真结果表明了该方法的有效性。     

New adaptive quasi-sliding mode control for nonlinear discrete-time systems

A new adaptive quasi-sliding mode control algorithm is developed for a class of nonlinear discrete-time systems, which is especially useful for nonlinear systems with vaguely known dynamics. This design is model-free, and is based directly on pseudo-partial-derivatives derived on-line from the input and output information of the system using an improved recursive projection type of identification algorithm. The theoretical analysis and simulation results show that the adaptive quasi-sliding mode control system is stable and convergent.     

一类非线性系统的自适应模糊滑模定位控制

针对一类由多子系统组成的,具有建模误差和未知不确定性的多变量非线性系统,提出了一种自适应鲁棒定位控制方案。分别在系统数学模型已知或未知的情形下,通过对不确定性的未知范数界描述,基于Lyapunov理论和Barbalat引理,给出了滑模鲁棒控制器的综合设计方法及其自适应控制律,保证整个闭环误差系统的稳定。该方法减少了对系统模型精确度的依赖,避免了传统方法对不确定性的人为预估行为。最后,通过船舶动力定位系统的控制仿真表明了本方法的有效性。     

不确定非线性系统的鲁棒自适应跟踪简化算法

传统的Backstepping自适应控制方法需要对虚拟控制律进行求导,从而导致“计算复杂性膨胀”。动态平面控制技术能够克服这一缺陷。将这一技术扩展到一类具有参数严格反馈形式的不确定非线性系统输出跟踪,这类系统同时包含线性参数和未知非线性函数两种不确定性。所设计的控制算法比现有算法大大简化,解决了“计算复杂性膨胀”问题;运用Lyapunov理论证明了闭环系统一致最终有界,仿真结果表明了算法的有效性。     

Neural network based adaptive sliding mode control of uncertain nonlinear systems

The purpose of this paper is the design of neural network-based adaptive sliding mode controller for uncertain unknown nonlinear systems. A special architecture adaptive neural network, with hyperbolic tangent activation functions, is used to emulate the equivalent and switching control terms of the classic sliding mode control (SMC). Lyapunov stability theory is used to guarantee a uniform ultimate boundedness property for the tracking error, as well as of all other signals in the closed loop. In addition to keeping the stability and robustness properties of the SMC, the neural network-based adaptive sliding mode controller exhibits perfect rejection of faults arising during the system operating. Simulation studies are used to illustrate and clarify the theoretical results.     

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。