基于自适应模糊快速终端滑模控制的导弹自动驾驶仪设计

针对一类多输入多输出非线性不确定系统,提出了自适应模糊快速终端滑模控制方法并应用于导弹自动驾驶仪的设计。利用模糊系统具有以任意精度逼近非线性系统的能力对未知干扰和不确定性进行逼近,并通过鲁棒项提高了系统性能。基于Lyapunov方法,证明了闭环系统所有信号渐进收敛。最后利用本文提出的控制方案设计了6自由度导弹的自动驾驶仪,仿真结果表明了控制方案的有效性和鲁棒性。     

直接力导弹的模型参考自适应滑模控制器设计

针对导弹直接力/气动力复合控制的特点,提出了一种基于参考模型的自适应滑模控制方案.该设计方法针对系统所存在的不确定性,在滑模控制中引入了自适应参数调节律和模糊控制规则,采用自适应律逼近模型摄动和外界干扰的上界,采用模糊调节律有效减弱了一般变结构控制系统的抖颤问题,既进一步增强了系统的鲁棒性,又提高了自适应参数收敛过程中的跟踪精度.仿真结果表明,所提出的控制方案对机动指令具有较好的跟踪效果,适用于直接力/气动力复合控制导弹的控制系统设计.     

控制受限的BTT导弹反演自适应滑模控制研究

针对具有非匹配不确定性的倾斜转弯 (bank to turn, BTT)导弹在控制受限情况下的鲁棒控制问题,提出了一种自适应滑模反演控制方法。反演设计的每一步中,采用自适应算法对不确定性的上界进行估计,给出了具有范数型切换函数的连续的自适应滑模控制律。在实际控制量的设计中显式地考虑了控制量的饱和特性,保证了系统在控制饱和时的稳定性,并采用Lyapunov稳定性理论证明了跟踪误差最终有界。仿真结果表明,在气动参数摄动和控制量存在饱和的情况下,本文的控制方法仍能快速、准确地跟踪指令信号,具有较强的鲁棒性。     

基于GA的非线性电机自适应模糊滑模控制器设计

提出一种基于GA的自适应模糊积分型滑模控制策略,并将其用于具有非线性动态摩擦力的单轴运动控制系统中.控制器由自适应模糊控制项和补偿控制项组成,自适应模糊控制项用来逼近理想滑模控制律,补偿控制项用来补偿逼近偏差,利用李亚普诺夫稳定性理论推导出模糊规则和补偿控制项中逼近偏差边界在线自适应律,采用遗传算法优化自适应律中参数.仿真和实验结果表明了该控制策略的有效性.     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。     

3-RRRT型并联机器人自适应神经网络滑模控制

研究3-RRRT型搬运并联机器人的一种基于RBF神经网络的直接自适应滑模控制方法.根据机器人的系统动力学模型特点,基于Lyapunov函数的综合设计方法和滑模控制理论,利用RBF神经网络与自适应技术相结合,提出了一种控制律,然后利用MATLAB进行了系统控制仿真.结果表明,采用这种直接自适应神经网络滑模控制方法3-RRRT型并联机器人在有周期干扰的情况下,达到了较高的控制精度,其闭环系统具有较强的自适应性和鲁棒稳定性.     

基于二阶滑模的BTT导弹反演滑模控制

针对具有非匹配不确定性的倾斜转弯(bank-to-turn, BTT)导弹非线性动力学模型,基于反演思想和二阶终端滑模控制方法,设计了一种新的BTT导弹反演滑模控制器。反演设计的每一步均采用滑模控制对不确定性进行补偿,并在最后一步设计中采用非奇异二阶终端滑模控制,既能防止抖振对舵机造成损坏,又减小了累积误差。采用精确微分器解决“计算膨胀”问题,并证明了跟踪误差最终有界。仿真结果表明,通过适当选取设计参数,跟踪误差将收敛到原点附近任意小的邻域内。     

基于神经网络的非线性系统的间接自适应控制

针对一类不确定非线性动态系统 ,利用多层神经网络系统MNNs的逼近能力 ,提出了一种间接鲁棒自适应神经网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界 ,而且理论分析证明了闭环系统的跟踪误差渐近收敛到零。仿真试验表明本控制算法是有效的。     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。该控制器以系统动态误差和给定信号量作为CMAC的激励信号，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

混沌神经网络模型参考自适应控制器设计

研究了非线性的神经网络模型参考自适应控制器设计问题。将混沌机制引入常规BP算法,利用混沌机制固有的全局游动,逃出权值优化过程中存在的局部极小点,解决了网络训练易陷入局部极小点的问题。通过训练神经网络模型参考自应用控制器和辨识器,完成了对一类复杂离散非线性系统的控制。给出了具体的算法步骤。仿真结果表明了混沌BP算法优于常规BP算法。有效地提高了控制精度和适时性。     

机械臂系统的一种自适应滑模控制方法

针对一类不确定性多输入多输出动态系统给出了一种新的自适应滑模控制方法，而后基于多刚体动力学建立了一个自由飞行机器人（FFR）的动力学模型，并应用此方法于FFR的控制，数学仿真实验验证了方法具有很好的鲁棒性和实用性。     

基于神经网络的全局滑模变结构控制

针对一类非线性不确定离散时间系统,提出了一种基于神经网络趋近律的全局滑模变结构控制方法。分别用两个前馈神经网络（FNNs）自适应调整趋近律中的参数ε和δ,克服了常规变结构控制方法中需要预先设定趋近律中参数的限制。在用径向基神经网络（RBFNN）对系统进行模型估计的同时,基于平移滑平面的设计方案,实现了系统的全局鲁棒滑模控制。仿真结果表明控制系统具有良好的跟踪性能,该方案使系统一开始就处于滑平面上,消除了系统抖振,具有较强的鲁棒性。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

伺服系统模糊滑模控制器的设计与仿真

将模糊逻辑控制与滑模控制相结合，给出了一种模糊滑模控制器的设计方法。并针对伺服系统具有参数变化范围大、干扰源多等特点，设计了基于模糊滑模控制的伺服系统的结构。最后将该方法用于某机器人的机械臂的控制，并在参数大范围变化、正弦扰动作用等条件下进行了仿真。仿真结果表明，模糊滑模控制能有效地削弱传统滑模控制的“抖动”现象，并且在一定条件下具有很强的鲁棒性。     

欠驱动平面机械手自适应模糊滑模控制

采用自适应模糊滑模控制策略来实现欠驱动平面机械手的位置控制，定义滑模面为模糊输入，减少了模糊规则数量，模糊输出为通过自适应律在线调整幅值的单值函数，利用李亚普诺夫稳定性理论推导出自适应调整律，保证了系统的稳定性，提出的控制器由一个模糊滑模控制器和一个辅助控制器构成，模糊滑模控制器用来实现与滑模控制相等的控制律，辅助控制器用来补偿两者的差值，仿真结果表明了提出控制器的有效性和可行性。     

基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

基于TCP/AQM的离散滑模控制器设计

基于网络拥塞控制有效的主动队列管理算法(AQM),设计了一种鲁棒的离散滑模控制器(DSMC).针对实际网络中离散化的采样系统和定期更新等运行特点,将TCP动态拥塞窗口模型离散化,考虑该模型存在的网络延迟及流量扰动等参数不确定等特点,采用鲁棒性较好的滑模控制器.在控制器的设计中,构造了包含起始点滑模面,缩短到达时间;假设不确定扰动的最大上界,采用等效控制设计控制律;然后给出了系统的稳定性分析.仿真结果表明该控制器能够获得较快的响应速度和稳定的队列长度,在网络参数变化时仍能获得很好的鲁棒性.