含时滞的单输入单输出的非线性系统的自适应神经网络控制(英文)

对一类含时滞的单输入单输出的非线性系统提出了一种新的自适应神经网络控制方法.利用径向基神经网络来估计未知的连续函数.在设计中利用积分型Lyapunov-Krasovskii来消除未知的时滞.该文的结果的主要优点是:不仅有效地避免了控制奇异问题,也消除了对未知虚拟控制条件的限制.     

控制方向未知的时变非线性系统的控制器设计

对一类控制方向未知的时变非线性系统的控制问题进行了研究.首先,设计了一种迭代神经网络估计器,并通过推导得到了逼近引理,实现了对时变不确定性的逼近;然后,提出了用迭代神经网络逼近时变不确定性,用Nussbaum函数估计未知控制方向的总体设计思想.利用李雅普诺夫稳定性理论和自适应迭代学习控制技术设计了控制系统,并进行稳定性...     

基于积分型Lyapunov函数的随机非线性系统的自适应控制

针对一类带有未知虚拟控制增益的随机严格反馈非线性系统,基于后推设计,引入积分型Lyapunov函数,并利用神经网络的逼近能力,提出了一种自适应神经网络控制方案.与现有研究结果相比,放宽了对控制系统的要求,取消了对于未知函数的限制条件.通过Lyapunov方法证明了闭环系统的所有误差信号依概率有界.仿真结果验证了所给控制方案的有效性.     

一类不确定非线性时滞系统的白适应控制

考虑了一类不确定非线性时滞系统的自适应控制．基于Lyapunov稳定性理论和线性矩阵不等式（LMI）方法,处理了系统中的时滞项,并且巧妙地构造了自适应控制器和反馈控制器．通过估计非线性部分的未知参数,自适应控制器补偿了系统中的非线性部分,并保证了闭环系统是渐近稳定的．最后,数值例子和仿真结果验证了所设计控制器的有效性．     

一类非线性时滞系统的鲁棒H_∞几乎干扰解耦

研究了一类非线性时滞系统的鲁棒H∞控制问题.基于Lyapunov函数递归设计方法,构造了一种新的控制律和H∞控制器.通过技巧性地构造正定Lyapunov函数,解决了时滞问题,实现了递归设计的推广.数值例子和仿真说明了结论的正确性.     

非线性时滞系统鲁棒自适应H∞几乎干扰解耦

研究了一类非线性时滞系统的鲁棒自适应H∞控制问题.基于Lyapunov函数的递推设计方法,设计了一种新的自适应控制律和H∞控制器.通过巧妙的选取Lyapunov函数解决了时滞问题,实现了递推设计的推广.数值例子和仿真结果验证了结论的有效性.     

时变不确定受扰时滞非线性离散系统的鲁棒H∞控制

针对时变不确定时滞扰动非线性离散系统,基于Lyapunov函数及线性矩阵不等式方法,在非线性项满足特定的条件下,得到了时滞相关无记忆状态反馈鲁棒H∞控制的充分条件.研究了不确定时滞非线性系统具有时变未知且满足一定条件的不确定参数和输入、状态时滞,结果表明,鲁棒稳定判据与系统时滞的大小无关.分析了一种鲁棒控制器的设计方法,使得闭环系统是渐近稳定的.最后,通过数值实例验证了该控制方法是可行的.     

一类非线性时滞系统通过自适应Backstepping的控制

考虑了一类非线性时滞系统的自适应控制问题。利用Lyapunov函数和Backstep-ping方法设计了一个自适应状态反馈控制器,利用递归原理同时构造Lyapunov函数和镇定控制器,将复杂的非线性系统分解成不超过系统阶数的子系统,然后为每个子系统设计部分Lyapunov函数和中间虚拟控制量,一直“后推”到整个系统,再考虑自适应非线性时滞系统式(1),最后选取Lyapunov函数式(4)。经过推导,使得由式⑴和式⑸组成的闭环系统是全局稳定的。     

一类大系统的分散智能控制

该文针对一类具有未知函数增益的非线性大系统,基于滑模控制和Lyapunov稳定性理论,运用多层神经网络非线性映射逼近能力,提出一种分散的具有连续特性的自适应神经控制器的设计策略。通过分析,从理论上证明了闭环大系统是全局稳定的,跟踪误差有界且均方可积。仿真结果表明控制方案是有效的。     

未知非线性时滞系统控制设计

本文以一类动态未知的时滞非线性系统为研究对象,利用步进反推设计方法给出了使该类系统能够跟踪给定参考信号的控制器.设计中采用了模糊逻辑系统来逼近未知的非线性函数,并用自适应机制同时调节模糊系统的权参数和基函数中的参数,从而不要求模糊系统的基函数事先已知.本文通过选取积分型Lyapunov函数,证明了所提出的控制方案能够保证闭环系统的稳定性和期望的跟踪精度.仿真结果进一步验证了所得结论.     

神经网络控制系统仿真

利用基于神经网络修正误差ＢＰ学习算法的多层网络和间接学习或专门学习的动态逆特性控制方法＾［１］编制的神经网络控制系统的仿真软件（ＳＣＳＢＮＮ），给出了调节时间和最大超调量与神经网络中间层节点数的关系曲线，同时给出了各种学习率和神经元作用函数增益的响应曲线。ＳＣＳＢＮＮ也可用于神经网络非线性控制系统。仿真结果说明神经网络非线性控制系统具有良好的控制性能。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

过热汽温的模拟柔性神经网络直接自适应控制系统

提出一种模拟复合正交柔性神经网络,并应用于电厂过热汽温的直接自适应控制方法。模拟柔性神经网络被用作为过热汽温控制系统中的主、副调节器,以改善控制系统的动态性能。神经网络采用5层网络结构,网络隐层节点采用带参数的Sigmoid函数构成的Laguerre（拉盖尔）复合正交多项式。网络在学习过程中,输入层与隐层之间不用调整权值,仅连续调整输出层与隐层之间的权值和隐层中Sigmoid函数的参数,以提高网络的学习适应性。网络隐层节点（处理元）是复合正交多项式的展开项,展开项的多少决定着网络的学习速度和精度。通过对具有严重参数不确定性、扰动以及大迟延的电厂过热汽温被控对象进行仿真研究,结果表明控制系统的干扰和超调明显减小,在控制系统的动态性能上,所提控制方法优于常规控制方法。电厂过热汽温控制取得了令人满意的效果。     

大滞后非线性系统PID型多步预测控制

简要概述了基于神经网络的大滞后非线性系统多步预测器的实现,在分析直接多步预测中的误差自关联问题的基础上,提出一种较为准确的去误差直接预测方法,引用鲁棒性好的PID型多步预测目标函数对滞后非线性系统实现预测控制.在控制中,采用适用于动态系统的递归神经网络.仿真实验表明了所提方法的有效性.     

基于动态面控制的MIMO自适应神经网络控制

针对一类具有未知函数控制增益的多输入多输出(M IM O)非线性系统,基于后推设计方法和动态面控制技术,提出一种间接自适应神经网络控制方案.该方案通过引入1阶滤波器,消除了后推设计中由于反复对虚拟控制的求导而导致的复杂性问题,并避免了反馈线性化方法可能出现的控制器奇异性问题,参数估计无需使用投影算法.利用李亚普诺夫方法,证明了闭环系统半全局一致终结有界,通过适当选取设计常数,跟踪误差可收敛到原点的一个小邻域内.仿真结果表明了该方法的有效性.     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

基于正则神经网络模型的时滞混沌系统预测控制

研究模型未知、不稳定的不动点位置及其局部性态未知情形下的时滞混沌系统的控制问题。提出了一种神经网络预测控制方法,将模型未知时的时滞混沌运动控制到不稳定的不动点处。分析了控制系统(包括观测器、正则神经网络预测器和在线训练的线性神经网络预测控制器)的稳定性,与现有同类方法比较,本方法收敛速度快,算法简便。仿真实验表明了本方法的有效性。     

权函数神经网络及在选矿厂能耗预测中的应用

针对大孤山选矿厂磁选工艺过程的多指标强耦合、时变、非线性和大滞后等特点,使基于数学模型的常规预测方法难以应用问题,提出一种新型的权函数神经网络建立能源消耗预测模型。该模型网络拓扑结构只有输入输出两层,网络权值由传统的常数改为权函数。在权函数构造上,结合选矿厂实际生产过程中所提供的生产数据,根据数据样本间隔距离的大小,分别采用不同的函数作为网络的权函数。训练算法仿真实验表明,该算法计算量小,且建模误差为10^-2数量级,取得很好的预测效果,从而克服了传统算法局部极小与收敛速度慢的问题。