控制方向未知的非线性系统自适应模糊滑模控制

针对一类带有未知外部扰动及控制方向的不确定非线性系统设计自适应模糊滑模控制器,利用Nussbaum函数估计系统未知的控制方向.模糊系统的输入为跟踪误差而不是系统状态向量,这样能提升控制器对误差变化的灵敏度.基于Lyapunov稳定性理论设计系统可调参数的自适应规则,该控制器能保证闭环系统稳定性并且跟踪误差及其各阶导数渐近趋于原点.数值仿真的结果也验证了该方法的有效性.     

方向未知的非仿射非线性系统的模糊滑模控制

为解决一类控制方向未知的非仿射非线性系统的控制问题, 提出一种新的自适应模糊滑模控制方法, 无需系统控制方向和不确定项的上界的先验知识。采用模糊逻辑系统直接逼近控制器中的未知部分, 在参数自适应律中引入Nussbaum函数处理控制方向未知问题。用一类光滑非线性饱和函数改进传统的积分滑模面, 能使控制器在保证传统积分滑模控制跟踪精度的同时获得更好的动态性能。利用李雅普诺夫方法证明了闭环系统的稳定性。数值仿真验证了算法的有效性。     

一类具有未知控制方向非线性时滞系统的输出反馈镇定

针对一类具有未知控制方向的非线性时滞系统, 利用Backstepping技术, 并引入Nussbaum增益函数, 给出了系统输出反馈镇定的构造性方案.所设计的光滑控制器使得闭环系统的所有信号有界, 且系统的状态收敛到零.     

控制方向未知的非线性系统切换自适应全局快速有限时间控制

提出一种新的切换自适应全局快速有限时间控制方法,设计控制方向未知的非线性系统切换自适应快速有限时间控制器.通过有限时间切换律,自适应调整切换参数,使控制器的控制方向依提出的方向进行切换,能更快找到正确的控制方向.仿真结果表明:所设计的控制器能保证系统的所有状态在有限时间内收敛至平衡点,且有更快的收敛速度.     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

非线性时变系统开闭环PI型迭代学习控制研究

讨论了一类非线性时变系统开闭环PI型迭代学习控制算法,该算法相对于开环、闭环PI型迭代学习算法不仅能较快地跟踪期望轨迹,而且能增强学习控制的鲁棒性。给出了仿真研究实例,仿真结果验证了该算法的有效性和优越性。     

未知非线性系统的神经网络自适应鲁棒控制

针对一类未知非线性系统,基于神经网络理论提出一种间接自适应控制方法,该方法不仅保证了闭环系统的稳定,而且使外部干扰、神经网络逼近误差对跟踪误差的影响衰减到给定的水平.     

欠控制方向的非线性系统自适应迭代学习控制

针对控制方向未知且具有周期扰动的非匹配非线性系统, 提出了一种自适应迭代学习控制策略. 控制算法具有以下3个特点:不需要控制方向的先验知识; 能够对系统的周期不确定性进行在线学习; 能够克服系统的非匹配不确定性. 随着迭代学习次数的增加, 系统跟踪误差渐近收敛于零. 仿真结果表明了控制算法的可行性和有效性.     

带有未知控制增益的多智能体系统的自适应一致性

目的 研究带有未知增益的一阶多智能体系统在无向连通拓扑下的一致性.方法 设计了带有Nussbaum函数的自适应控制协议,与一般的Nussbaum函数不同,文中所选用的函数不仅有很快的变化速度而且极易求积分,另外,所提出的控制协议不需要设计增益的先验值和符号信息.结果与结论 采用Lyapunov方法,给出了最终的一致性条件,并通过仿真说明了所得结论的有效性.     

一类不确定非线性系统的鲁棒自适应模糊控制

针对一类具有未知控制增益符号的不确定非线性系统。基于模糊系统的逼近能力，利用Nussbaum函数的性质，提出了一种自适应模糊控制器设计的新方案．该方案取消了函数控制增益符号已知这一条件，并通过引入最优逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响．理论分析证明了闭环系统的有界性和跟踪误差收敛到零．仿真结果表明了该方法的有效性．     

含未知输入的Lipschitz非线性广义系统的观测器设计

考虑了一类含有未知输入的Lipschitz非线性广义系统的鲁棒观测器设计问题.设计了一种非线性广义系统的未知输入观测器;当系统干扰无法消除时,设计出了一种鲁棒观测器.证明了它们的存在判据,并给出了具体的设计步骤.算例说明了方法的有效性.     

一类受到未知外部干扰的多智能体系统学习协同控制

针对一类受到未知外部干扰的多智能体系统,在迭代学习控制框架下,结合自适应控制,首先设计了具有微分型参数自适应律的时变增益,同时,为了补偿未知外部干扰,设计了辅助控制器;通过构造复合能量函数,基于类Barbalat引理,证明了区间[0,T]上的完全一致性.其次,借助坐标变换,将编队问题转化为一致性问题.最后,通过一个仿真...     

不确定非线性时变时滞广义系统的保性能控制

为设计一个新的保性能控制器,研究了一类参数不确定且带有非线性函数的时变时滞广义系统的保性能控制问题。利用Lyapunov稳定性理论和线性矩阵不等式方法,给出了该系统状态反馈保性能控制器存在的充分条件,并通过线性矩阵不等式的可行解给出了保性能控制器的设计方法。最后,仿真实例验证了该方法的可行性。     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

混合时变时滞神经网络的状态估计器设计

研究了混合时变时滞(离散时滞和分布时滞)神经网络的状态估计问题.离散时滞在一个区间上变化,区间下界不一定为零.通过构造一个新的Lyapunov泛函,结合Jensen积分不等式,可以得到一个时滞相关状态估计器设计方法,使得误差系统是全局渐近稳定的,所得结果由线性矩阵不等式形式给出.数值算例证明了本文方法的有效性和优越性.     

模糊变时滞系统的保性能控制和稳定性分析

研究了连续不确定T-S模糊时滞系统的保性能控制问题,基于Lyapunov方法给出了系统稳定的充分条件,采用并行分散补偿方法(PDC)设计了满足保性能控制要求的模糊控制器,使得系统渐近稳定,并且得到了成本函数的最小上界.     

时变时延网络化控制系统的容错控制

针对网络化控制系统的时变时延,建立了时变数学模型,针对传感器和执行器的失效问题进行了讨论,研究了其容错控制器设计问题．仿真结果验证了该方法的有效性．     

非线性时滞系统的智能迭代学习控制

针对一类单输入单输出非线性时滞系统,提出了一种自适应神经网络迭代学习控制方案,神经网络用来逼近未知非线性函数和未知非线性时滞函数,放宽了传统迭代学习控制对非线性函数和非线性时滞函数的限制,拓展了迭代学习控制的应用范围．采用Lyapunov—Krasovskii函数和利用反演（Backstepping）技术设计神经网络学习律和控制律,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界,通过调节设计参数可以实现对目标轨线任意精度的跟踪．