一类非线性系统的RBF神经网络滑模控制及应用

针对一类模型不精确的非线性系统,提出了一种RBF神经网络与滑模控制策略。RBF神经网络在一定条件下可以任意精度逼近非线性函数,且具有较强的自学习、自适应和组织能力。因此,将其与滑模变结构控制策略相结合,应用于非线性系统中。实验结果表明:其克服了传统滑模变结构控制中的振颤问题,同时,继承了滑模变结构控制所具有的快速性能好、鲁棒性强和抗干扰性能优良的特点。     

一类欠驱动系统的自适应神经滑模控制

针对一类欠驱动系统在系统不确定性和外界干扰条件下的稳定控制问题,文章提出了自适应神经网络滑模控制策略。利用基于径向基函数(RBF)的神经网络在线估计系统的不确定量,采用李雅普诺夫方法设计自适应算法在线调整神经网络的参数;同时,利用带自适应算法的神经网络调节滑模控制的增益来消除滑模控制中的输入抖振现象;并通过李雅普诺夫定理论证了系统的稳定性。与传统滑模控制策略的仿真结果对比证明了系统是全局渐进稳定的,且控制器具有很好的适应性和鲁棒性。     

基于RBF神经网络的ABS滑模变结构控制研究

针对汽车制动过程中防抱死制动系统(ABS)具有的非线性、时变性和不确定性,设计了以最佳滑移率为目标的滑模变结构控制器,并且采用径向基神经网络(RBF)实时调整滑模变结构控制器参数,以削弱常规滑模变结构控制的抖振现象。利用MATLAB/Simulink仿真平台搭建单轮车辆制动模型,并进行ABS控制策略的仿真实验。仿真结果表明:在指定路面上制动时,基于RBF神经网络的滑模变结构控制策略能够有效削弱常规滑模变结构控制输出的高频抖振,并能使车辆具有良好的制动效果。     

Duffing系统的控制研究

对Duffing混沌系统采用基于RBF神经网络逼近非线性项的滑模控制方法,设计了系统的控制输入和RBF神经网络的自适应律,然后从理论上对系统进行稳定性分析,构造Lyapunov函数,通过理论推导证明了在所设计的控制输入和RBF自适应律作用下,系统在原点是渐近稳定的.最后仿真结果证明了该方法的有效性,利用该方法可以实现对周期信号的快速稳定跟踪,达到了控制目的.     

基于RBF逼近不确定项的机械手自适应控制研究

针对机械手控制系统中的不确定因素,提出了RBF神经网络逼近不确定项的自适应控制策略。在逆动力学计算力矩方法的基础上,设计了鲁棒自适应控制器。利用RBF神经网络对模型中的不确定项分块进行逼近,并用Lyapunov稳定性理论建立了网络权重自适应学习律,证明了系统的全局稳定性;最后进行了仿真,结果表明该方法能够有效的消除模型不确定性的影响,准确地实现了轨迹跟踪。     

小型吊舱式无人艇航向控制

针对小型吊舱式无人艇航向控制系统精度问题,考虑模型中的不确定性和风、浪干扰等未知项,设计一种基于RBF神经网络和迭代滑模算法的自适应控制器.在建立吊舱式无人艇运动数学模型基础上,采用迭代滑模算法提高收敛时间,并通过RBF神经网络权值逼近模型参数不确定项和未知扰动,最终将该算法与迭代滑模算法进行仿真比较.结果表明,所提出...     

电液伺服系统的自适应模糊滑模控制

针对电液系统的非线性特性及其参数不确定性,设计一种自适应模糊滑模控制器。该控制策略基于带积分补偿的变结构控制器,并利用自适应模糊控制方法,把滑模控制器中的不确定项进行模糊逼近。将此控制策略应用到电液系统中,仿真结果显示此控制方法具有较强的鲁棒性和良好的跟踪性能。     

基于RBF的TCP网络自适应滑模控制

针对TCP网络的拥塞控制问题,提出了一种基于RBF神经网络的自适应滑模控制算法.为了简化滑模控制器的设计,将系统的各个不确定参数和非线性补偿整合成一个总的不确定.考虑到网络系统的不确定性上界很难获得,使用RBF神经网络对系统不确定的上界进行自适应学习.将RBF神经网络的输出作为不确定上界的补偿,从而消除了系统的不确定带...     

不确定混沌系统的无抖振滑模控制

研究了具有模型不确定性和外界干扰的混沌系统的无抖振滑模控制问题．基于Lyapunov稳定性理论和滑模变结构控制方法,设计了动态滑模面和自适应滑模控制器,使得受控混沌系统能追踪任意参考信号．该方法能有效地消除滑模控制的抖振现象,具有较强的鲁棒性和通用性．数值仿真实验表明了该方案的有效性．     

PMSM伺服系统的RBF网络自适应滑模控制

针对位置伺服系统的非线性、外干扰及参数摄动的不确定性,通过引入RBF神经网络对未知干扰和不确定性进行自学习,提高伺服系统的鲁棒性.为了分析伺服系统的不确定性,将系统模型划分为名义模型和不确定模型两部分.其中,名义模型采用状态反馈方法进行控制,不确定部分采用RBF网络作为滑模动态补偿器进行控制,解决了伺服系统不确定性上界难以测量的问题,降低了抖振.仿真结果验证了该设计方案的有效性.