在线调节加权因子的快时变系统自校正控制

在全系数自适应控制方法基础上,利用规范化模型方法,对快时变系统提出了一种自校正控制器,并在广义最小方差自校正控制律中引入了能自动整定的加权因子,以适应快速时变系统动态特性变化大的特点.数字仿真结果表明,这种控制器对快时变系统有很好的控制效果,而且控制器算法简单,对过程的非线性、阶次失配和未建模扰动均有较强的鲁棒性。     

状态时滞时变离散时间系统的最优预见控制器设计

研究了一类具有状态时滞的时变离散时间系统的最优预见控制问题.所用的方法仍然是通过引入差分算子构造扩大误差系统.首先克服了差分算子不是线性算子的困难,成功构造了扩大误差系统.然后通过提升技术,把系统转化为形式上没有时滞的普通控制系统.最后通过引入可预见的目标值信号信息,得到最终的扩大误差系统.从这个扩大误差系统出发,利用时变系统最优控制的有关结果,设计处理原系统的带有预见作用的控制器.利用矩阵分解,把需要求解的高阶Riccati方程转化成一个低阶的Riccati方程.仿真实例表明了该设计方法的有效性.     

非线性离散时间系统的迭代学习控制

针对一类非线性离散时间系统，在系统参数未知情形下，提出了一种新的开－闭环迭代学习控制律，并给出了控制律的收敛性证明和收敛条件，在新控制律中，学习增益由线性估计模型确定，因此，避免了试凑增益。由机械手实例的仿真结果及收敛性证明，表明了所提出的控制律的有效性，并对初始状态误差和参数估计误差具有良好的鲁棒特性。     

多输入多输出非线性时变时延系统的自适应跟踪控制

针对多输入多输出非线性时变时延系统,提出了一种模糊自适应跟踪控制方案,该方案构建了基于模糊T-S模型的自适应时变时延模糊逻辑系统,用来逼近未知非线性时变时延函数,从而实现了对非线性系统的建模.根据跟踪误差给出了模糊逻辑系统的参数自适应律,设计了H..补偿器来抵消模糊逼近误差和外部扰动.基于Lyapunov稳定性理论,提出的控制方案保证了闭环系统的稳定性并获得了期望的H..跟踪性能,机械臂的仿真结果表明了该方案的有效性.     

含有时变延迟的双线性参数化系统的重复学习控制

针对一类含有时变延迟的双线性参数化时变系统,提出了一种新的重复学习控制方案.该方案假设未知时变参数、未知时滞和参考信号的共同周期是已知的,通过重构系统方程,有效地消除时变延迟的影响,采用微分—差分耦合参数周期自适应律估计时变和时不变参数,可以处理参数在一个未知紧集内周期性快时变的非线性系统,通过构造一个Lyapunov-Krasovskii能量函数,证明所有信号有界并且跟踪误差渐近收敛.给出了闭环系统收敛的一个充分条件.仿真结果验证了控制算法的有效性.     

线性时变切换系统及其非线性扰动系统的稳定性分析

研究了一类线性时变切换系统及其带有非线性扰动系统在任意切换律下的稳定性。首先导出了线性时变切换系统在任意切换律下指数稳定的充分条件，然后，研究了其带非线性扰动项的系统在任意切换律下的佤中指数稳定性特性，最后，用数值例子对所得结果加以了阐明。     

空压机时变模型的建立与预测控制方法的研究

详细解析了空压机恒压控制过程中诸多参数之间的相互关系,建立了空压机时变系统模型,提出了基于串级控制的广义预测控制策略,并成功地应用于空压机调节系统。结果表明,该优化控制律能有效消除不确定干扰和非线性因素,提高系统的控制精度和动态品质。     

不确定广义时变时滞系统的鲁棒H_∞控制

针对具有时变时滞和线性分式参数不确定性广义系统,研究基于状态反馈的鲁棒H∞控制问题.利用增广Lyapunov泛函并结合自由权矩阵方法,保留了Lyapunov泛函导数中的时滞上界信息,得到时变时滞广义系统的一个新的有界实引理(BRL).在此基础上,给出不确定广义时变时滞系统H∞状态反馈控制律的一个直接设计方法.所给结果均以严格线性矩阵不等式(LMI)表示.数值实例表明了结果的有效性和较小保守性.     

一类双线性参数化时变时滞系统的自适应迭代学习控制

针对一类双线性参数化时变时滞系统,设计了一种新颖的自适应迭代学习控制策略,该策略利用信号置换思想与参数重组技术来有效处理系统中时变时滞项,引入微分-差分耦合型自适应律以解决系统中双线性参数化项.通过构建一个Lyapunov-Krasovskii型复合能量函数证明了跟踪误差的收敛性以及所有信号的有界性.仿真实例结果表明该策略是有效且可行的.     

一类线性时变系统模型参考自适应迭代学习辨识

针对一类有限时间区间上具有可重复性的BIBO稳定的一阶线性时变系统,将模型参考自适应辨识方法与迭代学习相结合,提出了模型参考自适应迭代学习的参数辨识算法。利用模型参考自适应辨识方法得到时变系统参数辨识结构,针对系统可重复的特点,基于Lyapunov方法得到时变参数的迭代学习律。该算法可以辨识快时变的参数,而不需要参数时变结构的信息,并可保证参数估计误差和模型输出误差有界,且沿迭代轴逐点收敛。分析了参数收敛到真值的条件,系统仿真验证了辨识算法的有效性。     

非线性系统开闭环PID型迭代学习控制的收敛性分析

针对一类参数未知非线性的迭代学习控制问题提出了一种开闭环PID型迭代学习控制律,这种迭代学习律同时利用了系统当前的跟踪误差和前次迭代控制的跟踪误差修正控制作用,给出了迭代学习控制算法收敛的充分性条件.分析表明,所给出的迭代学习控制律推广了现有的结果.     

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

一类混沌系统的混合参数自适应学习控制

提出了一种自适应学习控制方法,应用于未知周期时变参数的混沌系统的跟踪同步问题,该方法利用Lyapunov稳定性和自适应学习理论,构造了学习控制律和微分-差分参数学习律,在L2Τ-范数意义下使得跟踪误差在一个周期区间上渐近同步。给出了闭环系统稳定的一个充分条件。通过仿真例子验证了所提方案的可行性和有效性.     

基于函数联接神经网络液压驱动机械手的自学习控制

针对两自由度液压驱动机械手的轨迹跟踪控制问题,分析研究了神经网络自适应控制的特点,在此基础上提出了基于函数联接神经网络液压驱动机械手的自学习控制结构与控制算法·其控制结构着重智能知识的加强;控制算法以PD形学习规则为基础,运算结果不是直接参与控制,而是根据控制器作用于系统之后所产生的误差及其微分对控制器作出评价和修正·仿真和实验研究都取得了比较好的控制效果·     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

一种用于波束形成技术的神经次元分析算法

基于自稳定次元分析学习规则,提出一种添加了惩罚项的次元分析(MCA)学习规则.分析了该学习规则的稳定性和收敛性,用于自适应波束形成技术的实现.采用带有约束条件的功率优化波束形成原理,利用白噪声敏感度控制和干扰的先验知识,提高了波束形成算法的鲁棒性.仿真实验表明,与用于实现鲁棒约束波束形成技术的FMCA学习规则相比,MCA学习规则具有更强的稳定性,能更有效地用于干扰抑制和实时信号跟踪.     

带有稳定学习算法的小波神经网络及应用

针对当系统存在未建模动态时,神经网络辨识易产生参数漂移和不稳定的问题,采用输入-状态稳定性(ISS,input-to-state stability)分析方法,获得小波神经网络权值矩阵和小波尺度参数的误差反传类时变学习算法,该算法不带有鲁棒修正即可以实现小波神经网络的鲁棒稳定性.仿真例子表明,此稳定学习算法优于一般的误差反传算法,并将带有稳定学习算法的小波神经网络用于污水处理过程出水水质COD(化学需氧量,chemical oxygen demand)的预测,获得了较好的效果.