具有输入时滞的随机非线性系统的自适应神经网络控制

考虑一类具有输入时滞的随机非线性系统的自适应神经网络控制问题。通过定义含输入积分项的设计变量,将输入时滞系统转变为非时滞系统。结合神经网络控制、积分中值定理与Decoupled Backstepping技巧,针对该类系统提出一套自适应控制策略。所提出的控制器保证闭环系统的所有信号皆4阶矩半全局一致最终有界,并且跟踪误差收敛于原点附近的小邻域内。仿真实验结果验证了所提出控制策略的有效性。     

一类非线性时滞系统的自适应动态面控制

针对一类具有不确定输入时滞和干扰的非线性系统的跟踪控制问题,提出一种动态面控制、神经网络和自适应控制相结合的控制方案.通过构造一个滤波器和一个虚拟的状态观测器产生辅助信号,并利用神经网络来估计未知的连续函数,证明了系统跟踪误差收敛于一个充分小的紧集.     

非线性时滞系统的自适应Backstepping控制

自适应Backstepping控制是当前自适应控制领域的前沿课题之一,在改善系统过渡品质方面表现出较大的潜力,它可以解决的一类系统不再满足长期以来难以克服的＂匹配条件＂。本文介绍了自适应Backstepping控制的基本方法及其在非线性时滞系统中的应用,该领域的国内外研究现状,存在的问题和可能的研究方向。     

不确定非仿射非线性时滞系统的神经网络自适应控制

针对一类不确定非仿射非线性时滞系统,提出了一种神经网络的自适应控制器.利用隐函数定理、泰勒展开式和中值定理,把非仿射非线性时滞系统转化为仿射非线性时滞系统,同时利用神经网络可逼近任意非线性函数的能力,结合误差滤波理论及Young不等式处理时滞项.根据Lyapunov理论,在一定的条件下,给出了系统稳定的充分条件,并给予证明.该控制器保证了跟踪误差收敛,从而说明了该控制器的有效性.     

含时滞扰动非线性系统的输出反馈自适应控制

研究了一类含变时滞扰动不确定系统的输出反馈自适应稳定问题.假定不确定性满足所谓的匹配条件且标称系统的传递函数矩阵是严格反馈正实的.基于Lyapunov稳定性理论和Lyapunov-Krasovskii型泛函设计出了一种自适应输出反馈控制器,并证明了此控制器使得闭环系统最终一致有界.最后给出一个仿真例子说明结论的有效性.     

非线性时滞输入系统的滑模控制(英文)

研究了具有输入非线性的不确定时滞系统的无源滑模控制问题。采用滑模控制方法,一个控制器被设计可以保证系统的状态在有限时间达到切换面,同时使得滑动模态具有无源性和渐近稳定性的充分条件以线性矩阵不等式被获得,求解方便。最后,一个仿真例子说明了所提方法的有效性。     

基于神经网络的二阶非线性系统的自适应控制

本文采用神经网络对二附非线性系统进行特征辩识,并将其用于自适应控制,从而得到了一种新型的自适应控制方法。仿真实验表明该方法具有很强的学习能力和自适应性。     

混合时滞与非线性控制输入神经网络同步分析

研究了一类具有时变时滞与无穷分布时滞、控制输入具扇形非线性性(sector nonlin-earity in the control input)的神经网络的全局渐近同步问题,基于驱动-响应方法和Lyapunov理论,适当设计一个失忆扩散的输入控制律,给出了驱动系统与响应系统同步的充分条件。     

一类不确定非线性时滞系统的自适应控制

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.     

未知非线性系统的神经网络自适应鲁棒控制

针对一类未知非线性系统,基于神经网络理论提出一种间接自适应控制方法,该方法不仅保证了闭环系统的稳定,而且使外部干扰、神经网络逼近误差对跟踪误差的影响衰减到给定的水平.     

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.     

一类非线性MIMO系统的神经网络直接自适应鲁棒解耦控制

针对一类未知非线性MIMO系统(多输入/多输出系统),应用“主导输入”的概念,基于神经网络理论提出一种直接自适应鲁棒解耦控制方法.该方法不仅保证了闭环系统的稳定,而且使外部干扰、神经网络逼近误差及输入对输出的交叉耦合对跟踪误差的影响衰减到给定的水平.     

三角形式非线性离散系统自适应神经网络控制

针对一类控制输入为三角形式的多输入多输出离散非线性系统,提出了基于反步法的自适应神经网络控制方法.由于该系统的控制输入为非仿射形式,不能采用反馈线性化的方法设计控制系统;因此,首先采用隐函数定理证实了能够使系统输出跟踪期望轨迹的理想控制输入的存在性,并构造了理想的控制输入.利用高阶神经网络估计这些控制输入,提出了基于反步法的自适应神经网络控制方法.证明了所提出的控制方法能够保证闭环系统的所有信号半全局一致最终有界,并通过仿真验证了该方法的有效性.     

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.     

基于径向基函数神经网络迟滞非线性自适应控制

提出了一种新的动态迟滞非线性模型．将一定数量不同死区宽度的backlash模型并行相加,作为一个动态系统以仿真执行器中的迟滞特性．利用该模型,采用伪控制方法设计了一套具有未知迟滞特性非线性系统的神经网络自适应控制方案,通过自适应算法来调整干扰项的上限．采用Lyapunov稳定性理论进行了严格证明,仿真试验验证了所提方案的有效性．     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合,提出了时 滞系统自适应内模控制算法,理论分析及仿真结果表明,该算法能克服时滞及参数的变化,具有鲁棒性好,抗干扰能力的特点。     

延迟时间未知的时延系统Fuzzy-Gray预测控制

提出了一种带智能积分的参数自调整Fuzzy-Gray预测控制算法。该算法综合Fuzzy控制、Gray预测的长处，同时利用神经网络辨识延迟系统的延迟时间来在线调整灰色预测控制器的参数。仿真结果表明这种控制策略具有很好的控制效果，它是大延迟控制中克服延迟时间变化的很有希望的方法，并能较好地兼顾系统的动、静态特性，超调小、响应快，稳态精度高。     

基于神经网络的自适应控制研究进展

综述了近年来神经网络自适应控制的研究现状,阐述了神经网络自校正、模型参考自适应控制和内模控制,并对其构成与特点进行了分析。在此基础上,指出了神经网络自适应控制研究中存在的主要问题,展望了神经网络自适应控制未来的研究方向。