具有非线性扰动的时滞混沌神经网络系统同步控制

本文基于参数辨识和自适应控制研究了具有非线性扰动的时滞混沌神经网络系统的同步控制。所有的连接权值矩阵可以通过自适应律进行估计。此外,当非线性扰动的上界未知情况下,所设计的自适应同步控制器可以使主从系统达到同步。利用Lyapunov稳定性理论可以证明误差系统的稳定性。最后,通过一个数值仿真实验,验证了所提出方法的有效性。     

参数未知的不同结构混沌系统的自适应同步

针对一类混沌系统，研究了参数未知的不同结构混沌系统的自适应同步问题。基于Lyaponuv稳定理论，给出了自适应同步控制器的系统设计过程，以及同步控制器和参数自适应律的解析表达式。对于两个参与同步的不同结构的混沌系统，只要其维数相等且状态变量可测，就可以利用所提出的控制策略达到全局渐近同步。方法简单，无需试凑。以Lorenz系统和Lu系统的自适应同步控制为例，说明了该方法的有效性。     

可调数目吸引子共存的混沌系统及同步控制

混沌系统中的吸引子共存能够增强在同步通信中的安全性,因此建立一个具有吸引子共存的混沌系是有意义的。将双曲正切函数加入新混沌系统中,通过扩展系统平衡点的方法产生具有无限多吸引子的共存,该方法产生的吸引子个数具有可调性。此外,设计了反馈控制律,实现了系统的全局同步控制。理论研究和数值模拟仿真结果验证了该同步方法的有效性。具有可调数目的吸引子共存的混沌系统具有更为复杂的动态行为,因此在同步通信领域具有较好的应用价值。     

实现混沌系统同步的自适应变结构观测器方法

针对一类状态不能全部测量且含有不确定项的混沌系统,采用自适应滑模变结构观测器方法,设计了相应的控制律和自适应律,实现了混沌系统的同步控制。所给控制策略,不仅对参数变化和噪声干扰具有很强的鲁棒性,而且不需要已知不确定项的上界,也不需要串联惯性滤波器。理论分析与仿真结果表明了该方法的有效性。     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

Rossler系统与统一混沌系统的异结构同步

针对异结构混沌系统的同步提出了两种不同的同步方案,研究了两个不同结构的混沌系统:Rossler系统与统一混沌系统的同步。系统参数已知时采用主动控制方法,通过设计适当的主动控制器,实现了响应系统与驱动系统的渐近同步;系统参数不确定或未知时采用自适应控制方法,基于李亚普诺夫稳定性理论,得出了两异结构混沌系统同步的充分条件,设计了相应的控制器和参数自适应律,使得响应系统的状态变量渐近跟踪驱动系统的状态变量,且两个系统的参数估计值渐近收敛于其真值,仿真结果证明了两种方案的有效性。     

带随机扰动的参数不确定混沌神经网络的同步

基于驱动-响应混沌同步原理,在同时考虑系统内部参数不确定性和系统外部随机干扰的情况下,研究了一类混沌神经网络的同步控制问题.利用随机微分方程理论,Lyapunov稳定性理论和线性矩阵不等式(LMI)方法,得出了混沌神经网络全局渐近同步的充分条件和控制器设计方法.所得的充分条件以线性矩阵不等式的形式给出,容易被已有的LMI工具箱所以验证,而且所设计的控制器结构简单,易于实现.最后,仿真实例验证了文中方法的有效性.     

协调控制同步策略在液压仿真转台中的应用

针对液压仿真转台中框同步驱动系统的特点，提出一种基于协调控制的同步控制策略。为保证转台中框的性能，首先，对两同步通道分别进行设计，使其具有良好的并尽量一致的静、动态特性；其次，为克服液压伺服系统参数的时变性对同步系统造成的不利影响，在两通道间加入一个模糊控制器，通过该控制器的调节作用可使两同步子系统的输出基本保持一致，以实现同步的目的。实验结果表明本文所提出的同步控制策略具有较高的同步精度，对仿真转台中框的同步驱动系统来说是完全有效的。     

基于非线性输入控制实现受扰混沌系统同步

针对一类受扰混沌系统的同步控制,采用具有扇区非线性输入的自适应滑膜变结构控制器,设计了相应的控制律和自适应律。在该控制器的作用下,实现了驱动系统和响应系统的同步控制,且不受扇区非线性输入、参数失配及外部干扰的影响,具有有很强的鲁棒性。所设计的控制策略简单,易于实现,而且没有强加在系统上的限制条件,因此应用范围较广。理论分析和数值仿真证明了该方法的有效性。     

采用神经网络同步器对混沌信号分类的研究

提出了一种用神经网络同步器对混沌吸引子进行分类的方法。该方法对每一类混沌吸引子都训练一个相应的神经网络同步器 ,采用同步测量法实现驱动与被驱动网络的渐近同步 ,所以这种测试方法与系统内部状态的初始值无关。最后通过对Lorenz和R ssler混沌吸引子进行分类证实了所提分类方案的可行性。     

基于时变延迟混沌神经网络的H∞同步保密通信

针对一类含保密信息的时变延迟混沌神经网络,提出了同结构H_∞同步控制方案, 在实现同步后能有效恢复出隐藏的多路明文信号。利用线性矩阵不等式方法为同结构时变延迟混沌神经网络设计了H_∞同步控制器,在此基础上应用Lyapunov方法分析了同步误差的收敛性。当同步误差收敛时,可根据被动系统状态恢复出所传输的隐藏信号。仿真结果表明,该控制方案可以实现变时延混沌神经网络同步,并能恢复出多路明文信号。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

Exponentially adaptive synchronization of an uncertain delayed dynamical network

Over the past decades, complex networks have been prosperous greatly in various fields of sciences and engineering. Much attention has been given to investigate the synchronization of complex networks in recent years. However, few work has done for the networks with uncertain parameters and unknown topology. In this paper, to further reveal the dynamical mechanism in complex networks with time delays, an uncertain general complex dynamical network with delayed nodes is studied. By constructing a drive network and a suitable slave network, several novel criteria for the networks consisting of the identical nodes and different nodes have been obtained based on the adaptive feedback method. Particularly, the hypotheses and the proposed adaptive laws for network synchronization are simple and can be readily applied in practical applications. Finally, numerical simulations are provided to illustrate the effectiveness of the proposed synchronization criteria.     

直流电机神经自适应滑模位置跟踪控制

针对系统部分非线性未知的直流电机的位置跟踪问题，提出了一种基于自适应控制的神经网络滑模控制策略，在这个控制策略里我们采用已有的输入输出线性化方法来消除非线性，且将神经网络的输出加入到控制器当中，仿真结果演示了变负载直流电机的位置输出能够跟踪任意给定曲线。     

异结构不确定混沌系统的广义投影同步

针对一类参数随时间变化的不确定混沌系统,用鲁棒自适应方法实现异结构混沌系统的广义投影同步和参数辨识。基于李亚普诺夫稳定性理论,设计了鲁棒自适应控制器和参数自适应律。通过改变广义投影同步的比例矩阵,获得所有状态变量任意比例于原驱动系统的混沌信号,并辨识出系统所有未知参数。以R-ssler超混沌系统和Lü超混沌系统为例,数值仿真验证了所设计方法的有效性和可行性。     

基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

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。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

多变量极值搜索系统神经网络自适应协同控制

针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。