非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．     

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.     

具有未知死区和增益符号的自适应神经网络控制

针对一类具有未知死区和未知控制增益符号的单输入单输出非线性系统,根据滑模控制原理,并利用Nussbaum函数的性质,提出两种自适应神经网络控制器的设计方案. 通过引入示性函数,提出一种简化死区模型,取消了死区模型的倾斜度相等的条件. 通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响. 理论分析证明闭环系统是半全局一致终结有界. 仿真结果表明该方法的有效性.     

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.     

未知单量子态的传输

提出了利用三粒子纠缠W态作为量子信道,通过POVM测量来实现未知单量子态的控制传输方案;未知单量子态的控制传输还可以通过引入辅助粒子和适当的幺正变换来实现.     

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。     

一类混合时变时滞混沌神经网络自适应同步研究

基于微分方程的拉萨尔不变集原理和自适应动态反馈控制技术,研究了一类带有完全未知参数和混合时变时滞的混沌神经网络的自适应同步问题,给出了保证两个具有相同结构但具有完全未知参数的时滞混沌神经网络同步的控制律的设计方法.在此自适应控制律的作用下,达到了同步与参数辨识同时进行的目的.所设计的控制律简单,易于实现.仿真示例验证了所提方法的有效性.     

改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

带有多个离散和分布时滞的不确定系统的鲁棒自适应控制

对于带有多个离散和分布时滞且有外部干扰的不确定线性系统提出一类鲁棒自适应控制方案.系统的不确定性是范数有界的未知连续函数,外部干扰是扇形有界的.分2步证明其结论:首先用线性矩阵不等式方法说明状态反馈控制可以保证系统的确定部分的稳定性;其次由于系统的不确定部分的上界未知,用自适应的方法来估计上界的值;利用径向基函数神经网络来估计关于状态的未知连续函数;最终证明了在结合状态反馈和自适应神经网络控制的复合控制律作用下闭环系统是渐近稳定的.然后,在第一步基础上,要求系统满足2个不等式条件,设计相应的控制律参数,用Lyapunov-Krasovskii泛函方法证明了闭环系统是指数稳定的.     

一类交叉单稳型时滞格微分方程行波解的存在性

通过构造两个拟单调的上下控制方程并利用Schauder不动点定理, 给出并证明了一类交叉单稳型时滞格微分方程行波解的存在性. 结果表明, 即使对这类交叉单稳型的格微分方程, 行波解对所有时滞持久存在.     

多层递归神经网络自适应控制及稳定性分析

提出一种基于多层归神经网络的自适应控制离散时间系统的方法,使用多层递归神经网络及新的动态ＢＰ算法（ＤＢＰ）描述未知系统的输入／输出关系。基于此神经网络模型,提出一种自适应控制方案,并对该方案的闭环稳定性进行了分析。     

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。     

不确定非线性组合系统基于神经网络的鲁棒控制

针对不确定非线性组合系统,基于神经网络提出了一种新的鲁棒控制器设计方法·利用神经网络逼近系统的未知扰动和互联项·首先考虑不确定非线性组合系统的标称系统并且设计相应的标称控制器;其次考虑系统的未知扰动和互连项,设计了校正控制信号并把它加入了标称控制器中,这种设计方法可以保证实际系统具有最终一致有界的特性·控制信号是光滑的且不需要预先知道神经网络连接权或模型误差的上界·最后给出一个数值的例子,仿真结果表明该方法的有效性·     

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.     

基于广义预测控制的对角递归神经网络控制器

提出一种基于广义预测控制的对角递归神经网络控制器，并给出该神经网络控制器和辨识器的学习率范围．仿真实验表明，所采用的神经网络控制结构适合于带纯时延的未知的非线性被控对象的广义预测控制，同时能有效地改善神经网络学习的收敛性．     

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.     

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.