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.     

旋转导向钻井稳定平台的RBF网络滑模变结构控制

针对旋转导向钻井稳定平台存在的摩擦问题带来的不确定性,提出一种基于RBF神经网络的自适应滑模变结构控制方法,以提高稳定平台控制的精确性和抗干扰能力。使用RBF神经网络对稳定平台模型中的不确定性进行逼近,通过设计RBF网络节点的唤醒与激活阈值来减少网络规模,同时设计权值调整的自适应律,并结合滑模控制增强系统的鲁棒性。分别采用一般滑模变结构控制方法和RBF神经网络滑模变结构控制方法进行仿真实验,结果表明,RBF神经网络滑模变结构控制方法能够有效地逼近控制对象模型,有较强的鲁棒性。     

船舶航向保持RBF神经网络自适应非线性控制

针对船舶模型不确定和控制增益未知的非线性船舶航向控制问题,基于RBF神经网络自适应控制,提出一种新的非线性航向保持控制器.首先,在理论上证明存在连续的控制律;然后,通过RBF神经网络对其逼近;最后,借助Lyapunov稳定性理论分析证明船舶航向保持闭环系统的所有误差信号一致最终有界.仿真研究验证了该控制器的有效性.     

采用混合算法优化神经网络滑模控制的机器人跟踪误差

为了避免机器人关节角位移受外界影响,提高运动轨迹的跟踪精度,采用混合算法优化神经网络滑模控制器,并对优化后的控制器进行仿真验证.建立机器人平面简图模型,利用拉格朗日定理推导出机器人关节运动方程式,采用神经网络算法构建RBF神经网络自适应滑模控制系统.为了增强控制系统的稳定性,削弱外界波形对机器人运动轨迹的干扰,利用粒子群算法和差分进化算法在线优化RBF神经网络滑模控制律参数,设计了改进RBF神经网络滑模可调参数的自适应控制律,保证机器人控制系统的稳定性.通过MATLAB软件进行仿真实验,并且与优化前机器人关节角位移输出误差形成对比.仿真结果显示：随着干扰波形幅度的增大,采用神经网络滑模控制器,机器人关节输出角位移误差逐渐增大,系统不稳定,而采用混合算法优化神经网络滑模控制器,系统反应速度较快,机器人关节输出角位移误差较小.机器人采用混合算法优化神经网络控制器,能够提高控制系统的抗干扰能力,稳定性较好、输出精度较高.     

基于反演技术和神经网络的移动机器人控制

提出了一种基于反演设计和RBF神经网络自适应的非完整移动机器人轨迹跟踪方法.首先,设计一个虚拟的速度控制律使得输出跟踪误差尽可能小;然后,利用反演技术设计一个基于RBF神经网络的动力学控制器,以确保在机器人系统中存在不确定性和外界扰动的情况下,机器人仍具有良好的跟踪能力.RBF神经网络连接权值在线自适应律由Lyapunov理论导出,保证了控制系统的稳定性.本文提出方法的主要优点是不需要移动机器人动力学的先验知识,而且对外界扰动具有良好的鲁棒性.最后,在两轮非完整移动机器人上的仿真结果证明了本文所提出方法的有效性.     

分数阶超混沌Chen系统的RBF神经网络自适应滑模同步

针对分数阶超混沌系统的同步问题,通过设计一个新型含分数阶滑模面的RBF神经网络自适应滑模控制器,应用滑模控制和主动控制原理实现分数阶超混沌Chen系统的驱动系统和响应系统间的同步.在RBF神经网络控制方案的基础上引入分数阶滑模控制器以提高系统的鲁棒性,并在分数阶滑模控制器中增设自适应参数使得控制律在迭代过程中找到合适的切换增益,免除繁冗的人工调参过程.根据Lyapunov稳定性定理证明了该方案下系统的稳定性.当存在外部干扰时,将RBF神经网络与分数阶滑模控制相结合,更利于系统在迭代过程中找到最近似的权值,并通过补偿控制降低干扰对控制系统的影响.数值仿真结果验证了该控制方法的鲁棒性及有效性.     

滤波减速器传动机器人的自适应RBF反演法控制

针对具有参数未知、外界扰动、强耦合、非线性和多变量的滤波减速器传动机器人建立系统数学模型并对其进行自适应RBF神经网络反演法控制。利用自适应RBF在线逼近系统模型中的未知非线性项设计基于自适应RBF神经网络的反演法控制器同时结合Lyapunov稳定性分析方法论证闭环系统的收敛性。所提控制方法有效地抑制诸如参数未知、外界扰动等对滤波减速器传动机器人的性能影响。仿真分析表明所提出自适应RBF神经网络反演控制器实现了滤波减速器传动机器人的高性能位置跟踪控制并具有很好的控制精度和鲁棒性。     

基于Lyapunov稳定性的自适应神经网络控制方案

提出了一种基于Lyapunov稳定性的自适应控制律,使用神经网络模型综合分析非线性动力学系统的控制问题.基于Lyapunov稳定控制律开发出了一种改进的自适应神经网络控制方案,并给出了具有未知非线性一阶仿射系统的仿真控制演示,实验结果表明该神经网络自适应控制方案具有良好的非线性控制能力.     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

不确定扰动情况下耦合Duffing混沌系统的广义投影同步的神经滑模控制

针对两自由度耦合Duffing混沌系统的广义投影同步控制的问题,提出了一种神经滑模控制器的设计方法.基于RBF神经网络构造系统的滑模控制器,设计自适应更新率对神经网络的网络权值进行在线调节,形成滑模控制器切换增益的自适应更新,利用Lyapunov方法证明了受控系统的稳定性.数值模拟结果表明,所设计的神经滑模控制器不但能有效降低响应系统的抖振,改善受控系统的动态品质,而且具有鲁捧性,在不确定扰动情况下仍能较好地控制驱动系统和响应系统间的混沌广义投影同步.此外,该控制器允许任意调整参数λi(i=1,2,3,4)的值得到不同类型的混沌广义投影同步.