基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性     

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。     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统,给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点,特别是其自适应学习能力,控制系统采用两个神经网络分别作为估计器和控制器,通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性,输入输出有界。     

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。     

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。     

基于正交函数网络的不确定混沌系统的控制

提出了基于正交函数网络的不确定混沌系统的自适应控制方法．通过利用计算简单、收敛速度快的单隐层正交函数神经网络，构建了一类不确定混沌系统的控制器．利用李雅普诺夫稳定性定理得到了该网络控制器的权值更新规则并保证了权值误差和跟踪误差的有界性．该控制器不仅能够保证混沌系统以有界误差对指定轨迹进行精确跟踪，也能够使有外部扰动的混沌系统快速跟踪一个指定的轨迹．最后，利用陈氏混沌系统和Lorenz系统进行了系统仿真，结果表明了该控制器在混沌控制中的有效性。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于神经网络的导弹自适应滑模控制器设计

针对导弹六自由度非线性模型,根据时标分离原理将导弹系统分为快慢不同的四个回路.针对快、慢回路,提出了一种基于神经网络的自适应滑模控制器设计方案.首先分别在快、慢回路中采用反馈线性化实现解耦控制,然后设计基于神经网络的自适应滑模控制器来保证系统鲁棒性及性能,其中神经网络用来逼近系统的不确定性.理论分析及计算机仿真都表明,按照该方法设计的控制器不仅具有较强的鲁棒性,而且保证了闭环系统的渐近稳定性.     

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。     

航天器姿态的神经网络动态逆控制

针对航天器姿态系统,提出了一种基于自适应神经网络动态逆的控制算法。该算法针对滚转、俯仰和偏航三个姿态子系统,设计了两组神经网络:第一组是BP网络,用来逼近三个姿态通道的非线性项,可获得姿态逆模型;第二组是非线性自适应神经网络,用于在线实时地补偿逆模型存在的误差和外加干扰。详细分析了非线性自适应神经网络的拓扑结构、学习规则和调整算法。给出了应用该算法的具体实例,通过仿真实验证明该算法的有效性。     

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。     

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.     

Adaptive control of system with hysteresis using neural networks

1.INTRODUCTIONThe piezoelectric actuators are well suited for micro-position devices in precision engineering because oftheir fast response,nanometer resolution and biggerdriving force[1].However,hysteresis inherent topiezoelectric actuator severely li mits system’s perfor-mance such as giving rise to undesirable accuracy oroscillations,even leading to instability.Hysteresischaracteristics are generally nondifferentiable andusually unknown.It is a difficult task to mitigate itsharmful ef…     

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.     

DC/DC升压变换器自适应-PID串级控制系统仿真研究

为获得良好的电压控制性能,抑制模型非最小相位特性的影响,可使DC/DC升压变换器工作在电流控制模式下,采用串级结构的控制器,组成串级控制系统。系统的外环采用基于参数估计的自适应控制算法,以电容电压为被控量;内环则采用一种特殊的PID控制算法,以电感电流为被控量。此种自适应-PID串级控制器不但可使被控系统获得良好的动态特性,而且不需确知负载电阻、电容、电感、输入电压等参数的信息,对参数变化有着很强的鲁棒性。对DC/DC升压变换器的仿真结果表明,上述控制方案是可行的。     

考虑非最小相位特性的高超声速飞行器轨迹跟踪控制

针对带有非最小相位特性的吸气式高超声速飞行器控制问题,提出了一种输出跟踪控制方法。对于不具有非最小相位特性的速度子系统,运用动态逆控制技术设计了状态反馈控制器;针对具有非最小相位特性的高度子系统,首先选取合理的内外动态变量,通过坐标变换,将纵向俯仰通道模型转换为正则形式。然后通过对内动态进行稳定性分析,提出了飞行器系统非最小相位特性的判定定理。最后通过在动态逆控制器中加入正则变换后的状态反馈,实现了内动态的镇定,并基于Lyapunov方程证明了系统稳定性。仿真结果表明,该方法实现了良好的跟踪控制效果,并有效地镇定了系统的内动态。     

基于动态逆的大空域靶弹高度控制系统设计

针对纵向运动模型,提出了一种采用神经网络自适应逆控制设计靶弹高度控制系统的方法。该方法利用神经网络经离线训练实现非线性系统的逆,通过基于变结构控制的方法得到控制律自适应的补偿逆误差和系统的动态特性变化引起的误差。通过对大空域靶弹的全弹道仿真表明,该控制方法具有较好的控制能力和较强的鲁棒性。     

微型涵道飞行器的自适应逆控制方法

微型涵道飞行器可以悬停、垂直起降和前飞,且安全性高、结构紧凑、噪声低。但是,微型涵道飞行器由于大飞行包线、特殊气动布局、低速度、小尺寸和复杂飞行环境,所以具有明显的非定常和非线性飞行力学特性。针对这一问题,研究了应用动态逆控制律的新方法--神经网络自适应逆。采用动态逆控制器、神经网络补偿器、比例微分(proportion-derivative,PD)补偿器和伪控制补偿器构建了微型涵道飞行器飞行控制系统。仿真结果表明,相比动态逆 比例积分微分(proportion-integral-derivative,PID控制系统,本文设计的自适应逆控制系统具有更强的稳定性和鲁棒性。     

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。