基于逆系统方法与内模原理的航天器姿态控制

提出将逆系统方法与内模原理相结合的复合控制器应用于航天器姿态控制。采用基于状态反馈的逆系统方法实现航天器姿态模型的解耦,为了弥补解耦的非理想性,采用内模原理设计闭环控制器,并在改变航天器惯量与加入干扰和噪声的情况下,分析了复合控制的鲁棒性,仿真试验验证了方法的有效性。     

基于内模控制的ATM网络拥塞控制方法研究

针对ATM网络单瓶颈节点模型,提出用内模控制的方法实现交换节点队列长度零稳态偏差控制,避免拥塞发生。实现了可用带宽的动态公平分配,提高链路利用率,降低信元丢失率,保证了服务质量。仿真结果表明系统具有较好的动态性能。     

改进的逆解耦自抗扰内模控制在磨矿中的应用

针对磨矿分级系统的多变量、强耦合、大时滞等特性,提出改进的逆解耦自抗扰内模控制方法。利用逆解耦方法实现磨矿分级系统的解耦,对解耦后的子系统采用改进的内模控制和线性自抗扰控制。通过引入内模补偿器和增益对时滞进行补偿,减小了系统对模型的依赖度,通过调节线性自抗扰控制器参数、内模补偿器参数和增益来抑制模型失配、外部干扰及不确定性因素对系统带来的不利影响。仿真结果表明,改进的逆解耦自抗扰内模控制方法有较好的解耦性能、跟踪性能和鲁棒性能,验证了此方法是有效的。     

基于OS-LSSVMR内模控制的温室环境控制方法的研究

由于温室环境的复杂性,传统的控制方法很难对其进行有效的控制。基于OS-LSSVMR内模控制具有模型简单、鲁棒性好等特点,将其应用于温室环境的控制具有重要的意义。温室环境的OS-LSSVMR内模制控制方法,针对温室环境不易精确建模和不确定性的特点,构造温室环境输入输出的样本数据,采用OS-LSSVMR建立温室环境的正逆模型,用逆模型作为控制器,正模型预测输出,将预测误差作为控制的反馈,在模型偏离实际系统的情况下在线进行调整。通过三种SVM温室环境内模控制的仿真,说明了温室环境的OS-LSSVMR内模制控制效果较好,适合进一步在温室环境控制中推广应用。     

基于神经网络的非线性动态系统的多内模控制研究

由于非线性动态系统的复杂性,目前还没有统一的控制器设计方法,用传统的线性系统理论来设计,当工作点大范围变化时,很难保证其性能及稳定性.在人工神经网络内模控制系统中建立了神经网络内部模型和神经网络内模控制器,提出了基于多模型的内模控制方法,它对非线性动态过程的控制具有良好的性能.在此基出上,给出了方便易行控制算法,仿真分析结果验证了控制算法的有效性.     

飞机穿越风切变的非线性动态逆控制

介绍了非线性动态逆的基本原理及其在低空风切变改出飞行中的应用。利用较真实的风切变工程化模型和非线性动态逆方法，对飞机改出低空风切变的控制进行了设计。文中获得了动态逆方法控制下的改出飞行参数曲线，并与其他的改出引导策略的结果进行了对比。结果表明，动态逆方法在飞机穿越风切变的轨迹控制过程中实用有效。     

基于PI型非线性动态逆的再入飞行控制技术研究

再入飞行器飞行环境复杂,具有大空域、强非线性、强耦合的再入飞行特性,基于小扰动原理的经典线性控制理论难以适应再入控制系统的要求,提出了采用动态逆的非线性再入控制器设计方法,同时在非线性动态逆控制器设计中引入积分环节,以消除由动态逆建模和系统干扰带来的跟踪误差,从而使得系统对姿态进行高精度跟踪。最后,在Matlab/Simulink中进行了仿真验证。仿真结果表明,此控制系统对姿态指令输入有很好的跟踪效果,且具有较强的鲁棒性。     

汽车转向/制动系统的非线性解耦内模控制

首先提出一个非线性控制系统研究汽车转向系统和防抱死制动系统的协同控制问题。该控制结构由转向控制器和制动控制器组成。为了确保系统全局稳定性,采用反馈线性化方法进行解耦。为了提高系统的鲁棒性并确保期望的动态性能,对解藕线性化的系统采用内模控制方法进行综合。然后设计适用于复杂工况的制动力分配策略。最后用仿真结果验证控制系统的有效性,它改善了汽车制动稳定性和转向性能。     

基于干扰观测器的高性能转台伺服系统内模控制方法研究

针对转台伺服控制系统,提出了一种基于干扰观测器的改进内模控制方法（DIMC）。内模控制是一种新型的先进控制方法,设计思路是将对象模型与实际对象的输出差值作为反馈,控制器逼近模型的逆,从而达到控制效果。考虑到传统的内模控制器设计方法跟踪精度不足,引入微分器构造改进的控制器,提高系统的跟踪精度。在此基础上引入干扰观测器,对摩擦进行补偿,进一步提高系统的跟踪精度。仿真研究和实验结果表明,该控制方法可以有效地提高系统的跟踪精度,并对系统参数变化和力矩扰动具有更强的鲁棒性。     

具有选择与补偿机制的加权集合序贯极端学习机及其应用

针对集成在线序贯极端学习机(EOS-ELM)预测精度不高和动态适应性差的问题,提出一种具有选择与补偿机制的加权集合序贯极端学习机.该加权集合序贯极端学习机在序贯学习过程中,通过对当前预测模型精度的判断决定是否进行递推更新操作,同时为提高预测模型的动态跟踪能力,在加入新样本的同时对旧样本进行剔除;然后,利用EMD对残差序列处理后进行预测,并将初始预测结果与残差预测结果相加得到最终预测模型.通过对上证指数的预测,结果表明所提方法具有更好的泛化性能,预测精度相比EOS-ELM提高了近36.1%.     

基于T-S模糊模型的非线性自适应逆控制系统

现在非线性自适应逆控制系统中，由于对象模型和逆控制器均采用非线性自适应滤波器，自适应过程需要同时训练至少两个串联的非线性自适应滤波器，从而造成自适应学习过程过于复杂。利用一组自适应LMS滤波器建立非线性对象的T-S模糊模型，它为逆控制器的学习提供了准确的解析的对象模型Jacobian信息，从而有效简化了自适应逆控制学习过程。仿真结果表明，无论是离线建模还是在线建模，该非线性自适应逆控制方法均能取得理想的控制效果。     

基于支持向量机的逆动力学模型辨识及应用

建立系统逆动力学过程模型已经成为许多非线性系统控制问题研究与实现中的关键问题。该文应用支持向量机(SVM)回归方法实现了对热工对象的逆动力学过程在线辨识,并通过三个典型的仿真算例对基于SVM的非线性系统逆动力学过程模型的有效性进行了考察。仿真结果表明,基于SVM的逆动力学过程模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力;利用所建立的系统逆动力学过程模型能够获得恰当的控制作用,保证系统的输出按照给定的轨迹达到设定值。     

基于极限学习机的生化过程软测量建模

针对极限学习机方法隐层神经元数目过多的缺陷，提出一种改进的极限学习机方法。在单隐层前向神经网络的隐层中，增加一类分类神经元，从而形成了一种新的单隐层神经网络结构。针对不同类样本数不相同的问题，提出了处理方法，使得可以利用相同的隐层神经元对不同类的学习样本进行拟合，这使得网络的隐层神经元数目大大降低，从而简化了模型的结构，提高了神经网络的计算速度。将这一方法应用于诺西肽发酵过程，建立了菌体浓度的软测量模型，实现了菌体浓度的在线预估。     

基于支持向量机的非线性模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题。又由于采用了核函数思想,使它把非线性问题转化为线性问题来解决,降低了算法的复杂度。提出了一种基于支持向量机的模型预测控制结构,并使用一个新的随机搜索优化算法来求解预测控制律,计算机仿真证明了所设计的控制算法的正确性和有效性。     

基于一种增量式一元线性回归模型的自适应逆控制

为受控系统提出了一种简便实用的增量式一元线性回归模型。为了跟踪快时变参数 ,提出了一种滚动多模型加权平均参数估计算法。在参数估计和系统控制的过程中运用智能技术 ,使估值更可靠 ,并形成了以基于该模型的自适应逆控制为主、常规控制为辅的多模态控制方式。仿真结果表明 ,这一控制方式对于控制非线性和时变系统非常有效。     

静止无功发生器动态模型和非线性逆系统-PI控制策略研究

应用状态空间平均建模法推导出静止无功发生器(SVG)的动态数学模型.基于此模型,采用双变量传统PI控制策略控制SVG系统,发现该控制策略在两个控制目标变量(无功功率和直流侧电压)的动态性能方面存在不足.依据所建立的动态数学模型推导出SVG系统的逆函数,由此进一步得出非线性逆系统-PI控制策略以提高SVG系统无功功率和直流侧电压的动态响应速度.应用PSCAD/EMTDC仿真软件搭建SVG的控制系统模型,仿真结果表明了SVG动态教学模型的正确性和非线性逆系统-PI控制策略的有效性.     

采用Adaline神经网络实现增益自适应内模控制

引入1／1Pade逼近处理纯滞后环节，利用二步法设计内模控制器，运用单层Adaline神经网络参数辨识算法得到被控对象的稳态增益，并用于内模控制算法中，以此来自动调整被控对象模型增益，实现增益自适应控制。大量仿真实验表明此控制方法能克服系统增益变化对控制品质的影响，具有鲁棒性好，抗干扰能力强，控制精度高等特点。