基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于模糊辨识的混合鲁棒自适应控制

针对一类多输入多输出不确定非线性系统,提出一种基于模糊辨识的混合鲁棒自适应控制方法。该方法探讨了自适应模糊控制器的参数自适应律由跟踪误差和逼近误差共同进行调节,并从理论分析和仿真角度证明了该方法比参数自适应律仅用跟踪误差进行调节的控制器具有更好的跟踪效果,该方法加快了系统跟踪误差的收敛速度。将该算法用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点。     

直流电机神经自适应滑模位置跟踪控制

针对系统部分非线性未知的直流电机的位置跟踪问题，提出了一种基于自适应控制的神经网络滑模控制策略，在这个控制策略里我们采用已有的输入输出线性化方法来消除非线性，且将神经网络的输出加入到控制器当中，仿真结果演示了变负载直流电机的位置输出能够跟踪任意给定曲线。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法,研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换,将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数,网络的权值根据李亚普诺夫原则来在线修正,这样就克服了多神经网络控制系统中存在的稳定性问题。同时,为了减少权值学习时间,应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律,给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

含执行器非线性的多操纵面飞机自适应跟踪控制

针对含执行器非线性多操纵面飞机跟踪控制困难的问题,基于控制分配提出了一种鲁棒自适应神经网络控制方法。推导了含执行器非线性的多操纵面飞机控制分配方程。设计了自适应神经网络对系统中的非线性不确定项进行补偿,并引入鲁棒项消除了外界干扰和系统误差。利用Lyapunov稳定性定理证明了闭环系统的所有信号都是有界收敛的,且跟踪误差渐近趋于0。仿真结果验证了方法的有效性。     

非仿射非线性系统的自适应模糊输出反馈控制

针对一类单输入单输出非仿射非线性系统,提出了基于观测器的自适应模糊输出反馈控制。该算法通过构造线性误差观测器估计系统输出误差和系统状态,利用估计状态变量和估计输出误差变量设计自适应控制律,采用模糊逻辑系统在线消除非线性系统中的不确定模型,引入监督控制消除系统逼近误差和外界干扰,并利用Lyapunov方法严格证明了在该控制律作用下闭环系统所有信号一致最终有解,闭环系统的输出能最终跟踪期望输出。仿真结果表明了该方法的有效性。     

基于神经网络的机械臂分散自适应跟踪控制

提出了一种适用于机械臂的基于神经网络的分散自适应轨迹跟踪控制方法。将机械臂的轨迹跟踪控制系统考虑为由多个非线性关联组成的不确定性复杂系统,采用分散控制方法进行控制器设计。在对每一子系统设计控制器时,采用直接反馈线性化,利用控制器构建伪线性系统,并引入神经网络自适应环节消除干扰、关联及逼近误差,从而使所提出的控制方法能够保证系统状态有较高的跟踪精度,且算法简单,易于实现。仿真表明,该算法能保证较高的跟踪效果。     

高阶非线性系统的神经网络动态面控制

研究了一类非匹配不确定高阶非线性系统的跟踪控制问题。基于自适应增加幂次积分递推设计方 法,利用基神经网络的逼近特性,提出了一种自适应神经网络增加幂次积分动态面设计方法。在每个子系统中, 采用双极Ｓｉｇｍｏｉｄ函数设计期望虚拟控制律,保证了其可导性;引入一阶滤波器,避免了对期望虚拟控制律的微 分。仿真实例表明,所提控制方法能够保证闭环高阶非线性系统的状态量和跟踪误差半全局一致终结有界。     

基于饱和补偿器的神经网络控制器设计及仿真

针对一类带执行器饱和的仿射非线性系统,提出了一种新型的神经网络自适应控制器的设计方法.该方法基于隐函数定理构造一个静态神经网络以补偿执行器的饱和非线性,并利用Lyapunov理论严格证明了整个闭环系统的跟踪误差、控制器参数以及各个神经网络叔值的一致最终有界陛,可以使系统的跟踪误差收敛到零附近的一个小邻域内.仿真研究表明了提出的控制方法的可行性和有效性.     

基于反馈线性化的无人驾驶车辆横向位置跟踪控制

由于无人驾驶车辆横向运动学模型常被看作高非线性、时变的,所以这给控制方案的制定带来了较大的难度。提出了基于输入输出反馈线性化的横向位置跟踪控制方案。采用这种控制方案在车体正向和倒向开车的情况下,都得到较好的横向跟踪效果,动态特性好、稳态精度高。基于由Simulink和VRML语言建立起的三维动画仿真也说明了这一点。     

一类多关节机器人系统的模糊滑模控制算法仿真

针对具有参数不确定性的多关节机器人动力学系统，提出了一种基于模糊逻辑的滑模控制方案。该方案采用模糊滑模跟踪控制设计，柔化了控制信号，减轻了一般滑模控制的抖振现象。利用李亚普诺夫定理证明了闭环模糊控制系统的稳定性和跟踪误差、控制信号的有界性。仿真结果表明了所提出的控制策略是有效的。     

Adaptive control of system with hysteresis using neural networks

1.INTRODUCTIONThe piezoelectric actuators are well suited for micro-position devices in precision engineering because oftheir fast response,nanometer resolution and biggerdriving force[1].However,hysteresis inherent topiezoelectric actuator severely li mits system’s perfor-mance such as giving rise to undesirable accuracy oroscillations,even leading to instability.Hysteresischaracteristics are generally nondifferentiable andusually unknown.It is a difficult task to mitigate itsharmful ef…     

无人机姿控系统鲁棒动态面容错控制设计

针对含有不确定和执行器故障的无人机姿态控制系统,提出了一种鲁棒自适应动态面容错控制方法。在设计中,首先提出由非线性阻尼技术抵消不确定性及外界干扰,然后设计一种基于自适应动态面控制方法的容错控制策略,保证无人机在出现未知执行器故障情况下,其闭环姿态控制系统是全局渐近稳定的,实现姿态输出对制导指令的容错跟踪。最后对所提出的容错控制方法进行了某无人机非线性姿态控制系统的仿真验证, 结果表明了所提方法的有效性。     

具有不可微输入信号的改进型重复变结构控制

针对一类具有结构不确定性和周期性外部扰动的非线性系统,提出了一种改进型重复变结构控制（modified repetitive variable structure control, MRVSC）算法。在传统积分滑模面的基础上构造了改进型积分滑模面（modified integral sliding mode surface, MISMS）。基于MISMS,采用Lyapunov方法设计的MRVSC算法保证了非线性系统的运动轨迹在有限时间内到达MISMS并保持在MISMS上,并且使得滑模动力学系统变为重复控制系统。根据重复控制系统的稳定性条件及灵敏度函数选择MISMS的参数。仿真结果显示,与传统积分滑模控制算法进行比较,MRVSC算法使得非线性系统具有更好的跟踪性能。     

Output feedback adaptive control of multivariable nonlinear systems using Nussbaum gain method

1. INTRODUCTION Output feedback adaptive control of single input and single output (SISO) nonlinear systems with unknown constant parameters has been well developed via backstepping design[1]. In order to achieve asymptotic tracking of a known reference trajectory, a restrictive assumption is the sign of the high frequency gain to be known. Some results for relaxing this assumption have also been proposed [2]. It has been shown that if the sign of the high frequency gain is unknown, the …     

基于神经网络的非线性系统的间接自适应控制

针对一类不确定非线性动态系统 ,利用多层神经网络系统MNNs的逼近能力 ,提出了一种间接鲁棒自适应神经网络控制器的设计方案。该方案不仅能够保证闭环系统的所有信号有界 ,而且理论分析证明了闭环系统的跟踪误差渐近收敛到零。仿真试验表明本控制算法是有效的。     

基于高频增益矩阵分解的多变量系统自适应控制

基于高频增益矩阵因子分解和Backstepping设计方法,对多变量MRAC系统设计出一种新的自适应控制器,改变了已有的研究中关于高频增益矩阵的假定条件.该控制器能保证系统的全局稳定性和跟踪误差趋于零.仿真效果也证明了所提算法的实用性.     

多关节机器人的全局快速终端模糊滑模控制

针对多关节机械臂轨迹跟踪控制,提出了一种全局快速终端模糊滑模控制方法.该方法根据滑模控制原理,采用模糊控制调节滑模控制的切换增益,并利用积分的方法自动对系统的建模误差和干扰的上界进行评估,实现了对建模误差和干扰的自动跟踪,削弱了抖振.文中利用李亚普诺夫定理证明了系统的稳定性,仿真结果表明了其有效性.     

Networked Learning Predictive Control of Nonlinear Cyber-Physical Systems

Cyber-physical systems integrate computing, network and physical environments to make the systems more efficient and cooperative, and have important and extensive application prospects, such as the Internet of things. This paper studies the control problem of nonlinear cyber-physical systems with unknown dynamics and communication delays. A networked learning predictive control scheme is proposed for unknown nonlinear cyber-physical systems. This scheme recursively learns unknown system dynamics, actively compensates for communication delays and accurately tracks a desired reference. Learning multi-step predictors are presented to predict various step ahead outputs of the unknown nonlinear cyber-physical systems. The optimal design of controllers minimises a performance cost function which measures the tracking error predictions and control input increment predictions. The system analysis leads to the stability criteria of closed-loop nonlinear cyber-physical systems employing the networked learning predictive control scheme. An example illustrates the outcomes of the proposed scheme.