共查询到19条相似文献,搜索用时 140 毫秒
1.
2.
3.
基于神经网络的全局滑模变结构控制 总被引:1,自引:0,他引:1
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。 相似文献
4.
研究了使用离散指数趋近律方法设计的离散时间控制系统中存在的抖振现象。为了减小这种抖振现象,提出了一种改进的离散趋近律设计方法,而且给出了趋近律的参数选择原则。仿真结果表明:在使用该改进趋近律方法设计的离散时间变结构控制器的调节下,系统的运动状态最终趋近于原点,还可使系统状态保持步步穿越切换面,提高了控制系统的鲁棒性。 相似文献
5.
针对滑模变结构控制中出现的抖振问题,提出了一种分段幂次趋近律。该趋近律采用分段函数方式设计,具有较快的收敛速率、较多的调节参数,并且针对不同阶段的趋近律分开设计互不影响。理论证明了该趋近律达到滑模面时无抖振、固定时间收敛,详细推导出了收敛时间的表达式。在系统存在不确定性和外界干扰时能收敛于干扰稳定界,求出了干扰稳定界范围,给出了各参数对收敛速率和干扰稳定界的影响程度。以小卫星姿态机动控制为例,通过对比仿真实验,证明了所提趋近律的优越性。 相似文献
6.
7.
针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。 相似文献
8.
基于GA和Bootstrap的最小二乘支持向量机参数优选 总被引:3,自引:0,他引:3
支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的. 相似文献
9.
10.
11.
AGV(automated guided vehicle)系统对于制造系统的生产柔性和生产效率具有重要作用,由于AGV系统具有许多的变量且有动态性、随机性特点,其优化配置比较复杂。提出了一种将系统仿真、数学解析和多目标优化相结合的方法,对AGV系统进行了优化配置;运用离散事件仿真模拟AGV系统运行,利用敏感性分析分离设计变量,采用析因试验和响应面方法拟合多目标优化数学模型,基于非支配解排序多目标遗传算法求解多目标优化解。通过AGV系统实例,证明了该方法的有效性,可为制造系统和物流仓储领域中AGV系统的优化配置提供一种有效的系统性分析方法。 相似文献
12.
13.
14.
基于LS-SVM的导弹在线误差补偿逆控制 总被引:1,自引:0,他引:1
提出一种基于最小二乘支持向量机(least square support vector machine, LS-SVM)在线误差补偿非线性动态逆控制器设计方案。首先运用动态逆的双阶段设计方法设计了导弹的逆控制器,即第一阶段采用动态逆方法设计快回路控制器实现对滚转、偏航和俯仰三个通道角速度的跟踪;第二阶段实现慢回路对滚转角、侧滑角和攻角的跟踪;然后,设计LS-SVM在线补偿器,以增强导弹控制系统的鲁棒性。通过仿真分析,验证了该方法的有效性。 相似文献
15.
针对动态传输控制协议(transmission control protocol, TCP)网络的拥塞问题,基于离散全局滑模控制理论设计了一种主动队列管理(active queue management, AQM)算法,该算法消除了滑模控制的到达阶段,保证网络系统在整个控制过程中的鲁棒性。为了减弱离散指数趋近律的抖振现象,给出了一种改进的滑模趋近律,使得复杂的网络系统具有良好的性能。仿真结果验证了所设计的控制器对活动的TCP连接数、链路带宽及往返时延的不确定性具有很强的稳定性和鲁棒性。 相似文献
16.
17.
将连续状态空间下的Q学习构建为最小二乘支持向量机的回归估计问题,利用最小二乘支持向量机良好的泛化以及非线性逼近性能实现由系统状态-动作对到Q值函数的映射。为了保证计算速度以及适应Q学习系统在线学习的需要,最小二乘支持向量机的训练样本是窗式移动的,即在Q学习系统学习的同时获取样本数据并进行最小二乘支持向量机的训练。小车爬山控制问题的仿真结果表明该方法学习效率高,能够有效解决强化学习系统连续状态空间的泛化问题。 相似文献
18.
针对网络控制系统(networked control system, NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization, PSO)的最小二乘支持向量机(least square support vector machine, LS-SVM)建立NCS中随机时延预测模型,精确预测未来时刻的时延;同时利用该预测算法预测的时延通过快速隐式广义预测控制算法对NCS随机时延进行补偿。仿真结果表明,PSO优化的LS-SVM算法对随机时延具有较高的预测精度,同时快速隐式广义预测控制算法可使系统的输出很好地跟踪参考轨迹,保证系统良好的控制效果。 相似文献