高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

基于Elman网络的鲁棒型广义预测控制方法研究

提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC)．该算法首先用EIman网络对非线性系统进行辨识，建立预测模型，然后在控制中将模型输出值与测量输出值进行综合，代替量测输出用于控制中，从而降低辨识器与控制器对未建模动态的敏感性，加强控制器的适应能力和鲁棒性．仿真结果证明：将本算法应用于非线性系统预测控制，对未建模动态具有很强的鲁棒性和很好的控制能力。     

一种有约束的神经网络预测控制方法

针对非线性系统的控制问题，提出了一种采用黄金分割法的神经网络预测控制算法。该算法以神经网络作为预测模型，以黄金分割法用于优化控制器，其中以系统输入的约束条件作为黄金分割法的动态搜索区间。该算法解决了控制量的范围和变化速度受约束的情况下，未知非线性系统的预测控制问题，通过仿真研究证明了该算法计算速度、稳定性和杭扰动能力。     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于线性近似和神经网络逼近的模型预测控制

针对非线性系统的模型预测控制问题,提出了一种基于线性近似和神经网络逼近的控制算法。用Taylor级数展开法对非线性系统进行线性近似时,要求对象系统中的非线性函数必须连续可微。为了突破这一限制,引入了Stirling插值公式线性近似法,拓展了可处理的非线性系统范围。通过对线性化过程中产生的非线性高阶项进行径向基函数(radial basis function, RBF)神经网络逼近,显著提高了对象系统模型精确度。为了降低数值计算复杂度,将控制性能指标函数重构为易于处理的二次型最优化问题,通过对该二次型最优化问题的求解得到了最优控制序列。控制过程考虑了约束条件的影响以模拟真实的工业生产过程。仿真结果证明了所提出预测控制方案的有效性。     

一类非线性系统的自适应神经跟踪控制

针对一类未知非线性动态系统,提出了一种基于神经网络的自适应输出跟踪控制方案。网络权值的自适应修正规则是基于Lyapunov稳定性理论实现的,避免了递归训练过程;一个滑模控制项用于消除神经网络逼近误差的影响。因此,该自适应神经控制器能保证系统的全局稳定性和输出跟踪误差渐近收敛于0。     

基于分段线性逼近网络的直接自适应控制

对一类单输入单输出系统的控制问题进行了研究 ,设计了对这类系统的直接自适应控制方案。控制方案的一部分是采用分段线性逼近神经网络逼近给定的非线性系统 ,利用已经发生的实际数据对网络的权值进行训练 ;另一部分是结合神经网络的一步预测输出和系统的参考输出 ,通过梯度优化器计算得到系统的控制输入。数值仿真结果表明 ,控制效果比较理想     

多变量非线性系统的直接自适应模糊预测控制

对一类多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接利用模糊系统设计预测控制器,并基于时变增益自适应律对控制器中的未知向量和逼近误差估计值进行自适应调整。证明了此方法可使跟踪误差收敛到原点的一个邻域内,仿真结果验证了此方法的有效性。     

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。     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

基于敏捷性导弹逆动态的神经网络控制方法与仿真研究

给出了一种基于敏捷性导弹逆动态的神经网络控制方案。该方案由两个神经网络组成：第一个神经网络（NNI）用来离线的学习整个飞行包线内导弹动态特性的逆特性，以实现系统的线性化；由于敏捷性导弹在大迎角状态下具有高度的非线性特性和气动参数突变等未建模动态，因此引入第二个神经网络（NN2）来在线的补偿NNI的逆误差。在线学习的权值调整由Lyapunov理论得出，保证了闭环系统的稳定性。该控制方案对参数变化及未建模动态等具有良好的鲁棒性。将其应用于敏捷性导弹的控制中，数字仿真结果表明该控制方案有效。     

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.     

神经网络模糊预测优化控制在VAV系统中的应用

将神经网络、模糊控制与非线性预测优化控制结合起来,提出了神经网络模糊预测优化控制方法,采用前馈神经网络作为预测模型,利用贝叶斯正则化方法对模型进行了辨识,以自调整模糊控制器作为优化控制器,通过多步预测方式,系统的优化性能指标综合考虑温度偏差最小和能耗最小这两方面因素,应用该方法对制冷工况变风量空调系统的送风温度和回风温度（室内温度）进行了仿真控制研究。控制结果表明了该方法的有效性,控制效果良好,并且可以达到节省能耗的目的。

Abstract：

Artificial neural network,fuzzy control and nonlinear optimal predictive control were combined.The algorithm of neural network nonlinear fuzzy predictive optimal control was proposed.Feed-forward neural network was adopted as the predictive model of the cooling VAV system.The model was identified by the method of Bayesian regularization.The self-adjusting fuzzy controller was adopted as optimal controller.The algorithm was applied in the cooling VAV system with multi-step predictive method.Indoor temperature and supply air temperature was controlled aimed at minimum temperature deviation and minimum energy consumption by this scheme in Matlab.Simulation results illustrate the effectiveness of this technique,and in the meantime illustrate that this technique can save energy consumption.     

一类非线性不确定系统自适应terminal滑模控制方法

针对一类非线性不确定系统设计了自适应terminal滑模控制器,使跟踪误差在有限时间内收敛到零,消除了通常滑模变结构控制的到达过程,因而闭环系统从t=0时刻就对干扰具有鲁棒性。采用RBF神经网络逼近系统未知的非线性函数,引入滑模误差对其权值进行在线自适应调整,改善动态性能。最后给出的仿真例子证明了算法的有效性。     

基于非线性模型预测控制的火星大气进入智能制导方法

针对火星大气进入精确制导问题, 提出了基于非线性模型预测控制(nonlinear model predictive control, NMPC)的智能进入制导方法。首先, 考虑了进入制导约束, 采用NMPC方法设计制导算法。通过引入衰减记忆滤波器, 提出了基于误差信息估计的预测模型修正方法, 增强系统对模型误差的鲁棒性, 并利用变预测时域策略提高系统性能。然后, 以NMPC制导系统为制导模板, 在实际条件下生成大量样本数据集, 进行深度神经网络(deep neural network, DNN)的离线训练。最后, 在进入制导过程中利用DNN代替求解复杂优化问题和积分预测的过程, 在线快速解算控制量, 并结合横向制导实现智能制导。仿真结果表明, 提出的制导方法能够快速计算指令, 实现了高精度制导。     

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。     

Adaptive integral dynamic surface control based on fully tuned radial basis function neural network

An adaptive integral dynamic surface control approach based on fully tuned radial basis function neural network (FTRBFNN) is presented for a general class of strict-feedback nonlinear systems, which may possess a wide class of uncertainties that are not linearly parameterized and do not have any prior knowledge of the bounding functions. FTRBFNN is employed to approximate the uncertainty online, and a systematic framework for adaptive controller design is given by dynamic surface control. The control algorithm has two outstanding features, namely, the neural network regulates the weights, width and center of Gaussian function simultaneously, which ensures the control system has perfect ability of restraining different unknown uncertainties and the integral term of tracking error introduced in the control law can eliminate the static error of the closed loop system effectively. As a result, high control precision can be achieved. All signals in the closed loop system can be guaranteed bounded by Lyapunov approach. Finally, simulation results demonstrate the validity of the control approach.