不确定非线性系统的事件驱动鲁棒跟踪控制

针对一类不确定非线性系统提出了一个基于自适应动态规划的事件驱动鲁棒跟踪控制方案。首先,通过系统增广技术将原系统的鲁棒跟踪控制问题转化为增广系统的鲁棒镇定问题;然后,为其标称系统定义一个新的性能指标函数进一步将鲁棒镇定问题转化为标称系统的最优控制问题,并证明了问题转化的等价性;接着,提出了一个事件驱动自适应动态规划算法求解标称系统的HJB方程,即利用一个评价网络近似最优性能指标,进而获得事件驱动近似最优控制策略,并基于Lyapunov稳定性理论证明了所提出的控制方案可保证闭环系统的一致最终有界稳定性;最后,仿真例子验证了所提出的事件驱动鲁棒跟踪控制方案的有效性。     

带饱和执行器的非线性离散时滞系统的最优控制

主要针对带有饱和执行器的时滞非线性离散时间系统更加一般的形式,通过启发式动态规划(HDP)算法求解无限时间最优控制策略问题,并在值函数中引入折扣因子.首先通过迭代HDP算法给出值函数序列和相应的控制序列,并给出了收敛性证明,即值函数序列收敛到值函数的最优值,以及控制序列收敛到最优控制;其次为了实现HDP算法,引入3个神经网络:模型网络、评判网络、控制作用网络.模型网络用来近似系统模型,评判网络用来近似值函数,控制作用网络用来近似控制;最后通过一个仿真例子说明上述方法的可行性.     

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.     

基于Q学习的有限时间随机线性二次最优控制

针对系统状态和控制均依赖于噪声的随机线性离散时间系统,采用基于值迭代的Q学习迭代算法求解模型参数部分未知的有限时间随机线性二次(SLQ)最优控制问题。首先给出SLQ最优控制问题可达性条件和适应性条件,并通过矩阵拉格朗日乘子算法得到最优控制增益矩阵序列以及相应的随机代数Riccati方程(SARE)。其次,以值迭代算法为基础定义Q函数,利用Q学习迭代算法获得每个最优控制增益矩阵所对应的迭代控制增益矩阵序列和H矩阵序列。该算法依赖于系统状态信息,摆脱了系统模型参数部分未知的限制,并证明控制增益矩阵序列收敛到各自的最优控制增益矩阵,H矩阵序列收敛到各自的最优H矩阵。最后通过一个仿真实例说明了Q学习迭代算法的有效性。     

基于多层递归模糊神经网络的间歇过程批次间优化控制

针对间歇过程,基于多层递归模糊神经网络和混沌搜索实现了终点产品质量的批次间迭代控制策略,并在此基础上提出了间歇过程温度控制的批次间迭代控制策略。多层递归模糊神经网络被用于间歇过程对象建模,混沌搜索用于过程建模和优化计算。由于存在模型误差和未知干扰,基于模型所计算出来的最优控制输入在实际运用到对象上后并不是最优的。利用间歇过程的重复特性,根据以前批次的模型预测误差来修正模型预测,并据此计算下一批次的最优控制输入。随着批次的进行,跟踪误差逐渐减小。仿真实验验证了该方法的有效性。     

一阶非线性随机系统的学习优化控制

文章研究了一阶连续时间非线性随机系统的优化控制问题,通过勒贝格采样方法将其建模为半Markov决策过程,采用基于事件驱动和Q学习方法,给出了折扣和平均优化准则下统一的优化算法;仿真实验表明,该算法处理一阶非线性随机系统的最优控制问题,可以获得较好的优化效果。     

分布式HDP领导-跟随者系统最优一致控制研究

为研究行为未知的非线性多智能体系统领导-跟随者最优一致控制问题,针对智能体动态方程未知的情况,设计神经网络辨识器学习智能体动力学行为;构造以多智能体系统局部误差为输入的性能指标函数,将多智能体系统领导-跟随者一致性问题转换为求解智能体局部性能指标函数最优值的优化控制问题;结合自适应动态规划思想设计分布式迭代算法求解该优化问题,并讨论了算法的收敛性;设计基于神经网络的评价-执行结构分布式控制器来近似局部性能指标函数,通过神经网络学习迭代寻找局部性能指标函数的最优解,实现多智能体系统的最优一致控制策略。设计的分布式控制器能够根据智能体状态数据自适应产生控制策略,使多智能体系统趋于一致。     

非线性稳定解析系统最优控制的迭代法

本文研究非线性稳定解析系统的最优控制问题. 推广线性稳定系统最优控制的Kleimman迭代法, 构造非线性稳定反馈控制序列, 使得相应的评价泛涵序列单调下降和一致收敛, 并证明非线性稳定反馈控制序列一致收敛到非线性最优控制问题的最优反馈控制. 同时,建立一个待定幂级数算法, 计算迭代序列,逼近非线性最优控制问题的最优反馈控制, 并给出一个例子加以演示.     

基于RBF网络的两点边值问题

在应用最优控制理论求解飞行器控制、制导律时,最终往往化为一个非线性两点边值问题的求解,针对以往数值迭代解法存的初始点不易选取,求解步骤繁琐,迭代时间较长等缺点。应用RBF神经网络较强的非线性映射能力,给出了一种快速方便地求解两点边值问题的方法。另外,还可以根据由RBF网络获得的参数作为初值,结合打靶法、罚函数法等数值方法,可有效地减少迭代次数,缩短计算时间,提高计算精度。     

基于粗糙集和自适应神经网络集成理论的边坡稳定性分析

利用SOM网络--粗糙集-BP网络集成进行边坡稳定性预测的方案:首先应用SOM网络将边坡稳定性因素中的连续属性值离散化;然后基于粗糙集理论计算边坡稳定决策系统的约简,根据实际需要确定最优决策系统;最后在最优决策系统的基础上设计BP网络进行预测.边坡稳定性预测的实际结果验证了所提出的神经网络与粗糙集理论相结合的可行性,在数据充足的条件下,该方案可以推广到其它具有连续性值的情况.     

基于CFA和BP神经网络的入侵检测方法

基于BP神经网络的入侵检测方法因神经网络的初始网络运行参数是随机选择,存在容易陷入局部最优及收敛慢而导致检测准确率低的问题,提出一种基于CFA和BP神经网络的入侵检测方法 CFA-BPIDS.将BP神经网络的权值和阈值编码成CFA中的细胞个体,BP神经网络全局误差作为CFA的适应值,然后进行多次迭代,选择适应值最优的细胞个体作为BP神经网络的权值和阈值,最后将具有最优权值和阈值的BP神经网络应用在网络入侵检测中的检测模块.实验结果表明,该方法相比基于遗传算法和粒子群算法,优化BP神经网络的入侵检测方法提高了入侵检测准确率.     

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

模糊神经网络控制器参数的混沌优化

为了优化模糊神经网络的参数,将混沌变量引入到模糊神经网络参数寻优方式中,根据系统的性能指标,采用混沌变量进行粗搜索寻优模糊神经网络参数,然后在粗寻优基础上引入基于模拟退火策略的混沌细搜索,最后搜索出的模糊神经网络参数是全局最优的.仿真结果表明:该控制方案有效地实现对非线性对象的最优控制,为工业过程非线性复杂系统的控制提供了一种有效的控制方案.     

多层神经网络共轭梯度优化算法及其在模式识别中的应用

将神经网络总体平均误差作为目标函数,以待求的神经网络权值和阈值作为设计变量,通过设计变量合理排序与分配,提出多隐层多层神经网络权值和阈值计算的高精度真实共轭梯度最优化算法·与BP算法和梯度优化算法相比,既能实现每步迭代在搜索方向上获得最优步长保证目标函数递减,又能克服在目标点附近的振荡现象·编制出神经网络权值和阈值计算的通用程序,给出神经网络合理结构选择的基本原理·通过足球机器人位置分析算例的神经网络分析和模式识别,表明所提出算法的有效性和实际应用价值·     

遗传神经网络及其在非线性系统辨识中的应用

介绍了浮点遗传算法的原理及其在神经网络权值和阈值优化计算中的应用,提出了用遗传神经网络对非线性系统进行系统辨识的构思。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

基于ADP方法求解未知非线性零和微分对策问题

针对一类未知非线性系统的二人零和微分对策问题,提出了一种基于近似动态规划(ADP)方法的控制方案.该方案首先通过设计一个基于递归神经网络(RNN)模型的辨识方案来近似未知非线性系统动态.通过在RNN模型中增加一个新型的调整项,保证了所建立的RNN模型的动态与原未知系统动态的误差渐近收敛到零.然后在此RNN模型基础上,应用ADP方法求解鞍点存在或者不存在情况下的最优性能指标以及最优控制策略.最后通过一个仿真例子验证了所提方案的有效性.     

Cahn-Hilliard方程的时间双层网格混合有限元方法

针对数值求解Cahn-Hilliard方程时非线性项引起的时间耗时问题,提出了时间双层网格混合有限元方法.首先,在时间粗网格上,通过非线性牛顿迭代方法求解非线性混合有限元系统,其中空间离散采用混合有限元方法,时间离散采用隐式欧拉格式;其次,基于初始迭代数值解和拉格朗日插值公式,在时间细网格上求解线性混合有限元系统;最后,分析了该方法的稳定性和误差估计,并通过数值算例进行验证.结果表明,与传统的混合有限元方法相比,该方法可以节省计算时间.     

基于观测器的时延网络控制系统稳定性

针对一类传感器采用时间驱动,控制器和执行器采用事件驱动的确定短时延网络控制系统,设计了一个状态观测器.将该网络控制系统离散化,并在此观测器的基础上给出了系统的离散模型和判定渐近稳定的方法.通过建立一个Lyapunov函数并采用线性矩阵不等式(LMI)的方法获得系统渐近稳定的充分条件.仿真实例验证了该方法的可行性及有效性.