船舶减摇鳍逆模式小波神经网络自适应控制

根据船舶横摇运动的特点，本文提出以伪随机二元序列信号(PRBS)作为波倾角仿真输入信号，将逆模式小波神经网络自适应控制方法应用于船舶减摇鳍控制系统，取得了良好的减摇效果。仿真实验表明此方法能够克服传统PID控制适应性差的缺点，具有较好的容错性和较强的适应非线性的能力。     

具有伪控制补偿的自适应动态逆控制系统设计与仿真

论述了基于伪控制补偿解决自适应控制中作动器饱和问题的方法。基本控制律采用非线性动态逆方法设计，神经网络用于对逆误差进行重构。伪控制补偿消除作动器和自适应单元之间的交互影响。通过在超机动飞行控制的应用仿真表明，该控制方案弥补了动态逆要求精确数学模型的缺点，消除了作动器饱和对自适应单元的影响，提高了整个控制系统的鲁棒性。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

基于Backstepping的飞行仿真转台自适应摩擦补偿控制

论述了基于backstepping的飞行仿真转台自适应摩擦补偿控制。在实验的基础上,提出了飞行仿真转台的动态模型,其中包括动态LuGre摩擦模型。针对此动态模型推导出包括自适应摩擦补偿的backstepping鲁棒控制器。仿真实验证明:闭环系统的输出可以达到渐进跟踪给定的位置参考信号和速度参考信号,克服了转台在使用传统的PID控制器时,其位置波形存在平顶,速度波形存在畸变的缺点。     

基于演化神经网络的飞机自动着陆自适应逆设计

应用基于演化神经网络的自适应逆方法对飞机纵向自动着陆控制系统进行了设计与研究。首先,提出了逆控制器的结构,并将演化神经网络用于自适应逆控制的学习过程。然后用神经网络自适应逆控制方法对飞机自动着陆系统进行设计,最后,对所设计的控制系统做了数字仿真研究。结果表明,所设计的自动着陆控制系统具有良好的可行性和鲁棒性。     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于自适应逆控制的离散MRAC设计

在模型参考自适应控制中,以往消除扰动的方法是将系统输出和干扰同时反馈来提高系统性能和消除干扰,两者只能折中实现。针对此问题,结合自适应逆控制理论和超稳定理论,提出了一种克服随机扰动的离散MRAC设计方法。本方法引入自适应逆模型来消除系统扰动,将对象性能和扰动控制分开单独进行处理,可分别提高各自的性能。仿真实验证实了方法的可行性。     

基于GA神经网络的自适应预测控制的设计与仿真

针对自适应预测控制抗干扰、鲁棒性与实时性的矛盾，根据遗传算法优化后的神经网络具有很强的自适应性和学习能力、记忆能力、非线性映射能力、鲁棒性和容错能力，文章提出了一种新的自适应预测控制，成功地避免直接矩阵求逆，仿真表明该算法具有良好的综合性能和鲁棒性。     

基于鲁棒自适应控制理论的导弹纵向逆控制

针对高机动导弹纵向运动数学模型具有严重非线性、不稳定、多变量耦合以及模型不确定等特点,提出了一种基于鲁棒自适应控制理论和动态逆相结合的导弹纵向控制系统设计方法。该方法以非线性动态逆控制为基本控制律,能够在复杂的飞行条件下,实现对高机动导弹的精确线性化,解除了多变量之间的耦合关系;并引入鲁棒自适应控制律,以抑制模型参数变化的摄动和外部干扰的影响,保证了导弹的纵向稳定性及其纵向飞行品质。仿真分析验证了控制方法的有效性。     

高精度飞行仿真转台的鲁棒自适应控制

针对高精度直流伺服系统,提出一种基于Lyapunov直接法的鲁棒模型参考自适应控制方法.在算法中,通过调节增益系数,以适应系统中参数的变化,通过引入鲁棒补偿项,实现对摩擦环节的补偿,使得在具有参数不确定性和未知非线性摩擦特性的情况下,跟踪误差渐进收敛于零.并以三轴转台为例,进行了数值仿真,其结果表明该方法的有效性和鲁棒性.     

仿真转台的神经网络复合控制

介绍了一种神经网络复合控制方法，即在不抛弃众多工程技术人员所熟悉的经典控制方法的基础之上，采用神经网络控制来处理系统中的各种非线性及不确定性。给出了神经网络的迭代算法，讨论了系统的稳定性问题，并将该方法应用于高精度三轴飞行仿真转台的实时自适应控制中。实验结果表明了该控制方法的有效性。     

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller, FCMAC)网络的非线性自适应逆控制方案.将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统.在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整.仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想.     

基于BP神经网络与小波的控制研究

本文利用ＢＰ神经网络对被控对象进行在线辨识以及利用ＢＰ神经网络与小波对被控对象进行控制，通过某电厂过热器汽温为对象仿真验证此方法比一般ＢＰ神经网络效果好     

基于变尺度优化方法的快速神经网络学习算法研究

本文提出一种基于变尺度优化方法的多层前向神经网快速学习算法（ＭＤＦＰ），实验结果表明，这种算法对于加快网络的收敛速度有着显著成效     

常规飞机的神经网络逆模型

推导了用低维的神经网络实现常规飞机逆模型的公式。先通过气动方程将飞机的角加速度转换为气动力矩系数,然后根据已知的气动力矩系数与状态变量和舵面偏转量的关系,得到低阶的逆模型方程。接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法。     

Study on the Robot Robust Adaptive Control Based on Neural Networks

Force control based on neural networks is presented. Under the framework of hybrid control, an RBF neural network is used to compensate for all the uncertainties from robot dynamics and unknown environment first. The technique will improve the adaptability to environment stiffness when the end-effector is in contact with the environment, and does not require any a priori knowledge on the upper bound of syste uncertainties. Moreover, it need not compute the inverse of inertia matrix. Learning algorithms for neural networks to minimize the force error directly are designed. Simulation results have shown a better force/position tracking when neural network is used.