混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

一类通用神经网络非线性系统模型参考自适应控制

针对任意复杂的具有最小相位,滞后环节和非最小相位特性的离散非线性系统,提出一种通用的直接神经网络模型参考自适应控制.并采用具有在线学习功能的最近邻聚类算法训练RBF神经网络控制器,同时引入优化策略对聚类半径进行自动调整,并利用构造伪系统的方法构成一种对非最小相位同样有效的神经网络模型参考自适应控制器.仿真研究证明,该控制策略不仅能使多种非线性对象跟踪多种参考信号,而且抗干扰能力和鲁棒性也很好.     

两种跟踪低阶模型的模型参考自适应控制方案设计与仿真

采用滤波器降阶和系统分解，并将部分因式看成未建模动态，进而转化成扰动的方法，分别设计了两种高阶系统跟踪低阶参考模型的模型参考自适应控制(MRAC)方案。使用低阶参考模型简化了系统结构。仿真验证了方案的有效性。     

基于神经网络补偿的广义离散模型参考自适应控制系统设计

用一个常规线性模型对被控对象进行辨识，线性模型辨识的余差用一个神经网络进行补偿，线性模型和神经网络共同构成对象的辨识模型。利用参考模型的输出状态和被控对象的预测值，提出了适于任何形式被控对象的广义离散MRACS设计方法，适用于线性、非线性、最小相位和非最小相位系统。仿真结果表明，系统响应速度快，能够跟踪任意给定的参考序列，具有较强的鲁棒性和较好的控制精度，从而拓宽了模型参考自适应控制的应用范围。     

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。     

船舶航向的神经网络并行鲁棒模型参考控制

针对大型船舶的航向控制特性,提出一种神经网络并行自学习鲁棒模型参考控制方法。这种复合控制结构利用神经网络的学习能力和非线性映射能力,解决传统自适应控制中模型的在线辨识和控制器的在线设计问题,以达到对不确定非线性船舶的高精度输出跟踪控制;通过引入运行监控器,克服神经网络控制方法实时性差的问题;利用一个鲁棒反馈控制器,来保证神经网络模型学习初期闭环系统的稳定性。仿真结果表明这一方法对设定航向具有精确的跟踪控制效果。     

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。     

永磁同步电机的模型参考模糊自适应控制

采用模糊基函数形式,将永磁同步电机时变参数的辨识转化为对模糊基函数权系数的辨识问题,经过离线学习和在线自适应调节的模糊估计器具有对永磁同步电机时变参数的逼近能力.利用参数跟踪误差和控制预测误差信息,设计模型参考模糊自适应速度控制器,基于Lyapunov稳定性理论分析了控制器的收敛性,仿真及dSPACE实验结果表明:所设计的永磁同步电机控制系统具有较好的参数跟踪及控制性能.     

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。     

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.     

Decentralized model reference adaptive sliding mode control based on fuzzy model

1.INTRODUCTIONIn recent years,decentralized control of interconnect-ed systems has become an i mportant and challengingtopic[1~3].However,it is usually difficult to modelthe systemexactly due to the complex real environ-ment.In the past several years,active research hasbeen carried out in controller design based on univer-sal approxi mators,such as fuzzy control and neuralnetwork control[4~6].For a class of SISO nonlinearsystems,adaptive fuzzy control approaches were pro-posed based on …     

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。     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

基于自适应遗传算法和BP网络的物重监测模型

采用自适应遗传算法与误差反向传播算法(BP)相结合,建立一个通过图像监测物体重量的模型。先对图像进行特征提取,然后用遗传算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免局部极小。作为实例,利用圆柱体、锥形体、梯形体等物体图像相关资料建立了数据库,将图像的特征因素作为样本对网络进行训练,并用训练好的网络预测未知物体重量。由实例表明,该方法在预测物体重量中是可行的,误差较小,为物体重量监测提供了一种新思路和新方法,可用于大型生产线上的物体重量在线监测和质量控制。     

Trajectory linearization control of an aerospace vehicle based on RB F neural network

An enhanced trajectory lineazization control(TLC)structure based on radial basis function neural network(RBFNN)and its application on an aerospace vehicle(ASV)flight control system are presensted.The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability,and a robustifying item is used to overcome the approximate error of RBFNN.The parameters adaptive adjusting laws are designed on the Lyapunov theory.The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory.Finally,the flight control system of an ASV is designed based on the proposed method.Simulation results demonstrate the effectiveness and robustness of the designed approach.