具有未知死区和增益符号的自适应神经网络控制

针对一类具有未知死区和未知控制增益符号的单输入单输出非线性系统,根据滑模控制原理,并利用Nussbaum函数的性质,提出两种自适应神经网络控制器的设计方案. 通过引入示性函数,提出一种简化死区模型,取消了死区模型的倾斜度相等的条件. 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. 理论分析证明闭环系统是半全局一致终结有界. 仿真结果表明该方法的有效性.     

基于小增益定理的非线性系统的自适应动态面控制

针对一类具有未知死区的严格反馈不确定非线性系统,基于输入状态稳定理论和小增益定理,利用T-S模糊系统的逼近能力,提出一种自适应模糊控制方案.该方案取消了死区模型参数上下界已知的假设和虚拟控制增益要求可微的假设;利用动态面控制技术,将一阶滤波器引入后推设计中避免了传统后推方法中对虚拟控制反复求导而导致的计算复杂问题.通过构造2个耦合的子系统满足输入状态稳定条件,利用小增益定理分析证明闭环系统半全局一致终结有界,且选取适当的设计常数,跟踪误差可收敛到零的一个小邻域内.     

基于积分型Lyapunov函数的随机非线性系统的自适应控制

针对一类带有未知虚拟控制增益的随机严格反馈非线性系统,基于后推设计,引入积分型Lyapunov函数,并利用神经网络的逼近能力,提出了一种自适应神经网络控制方案.与现有研究结果相比,放宽了对控制系统的要求,取消了对于未知函数的限制条件.通过Lyapunov方法证明了闭环系统的所有误差信号依概率有界.仿真结果验证了所给控制方案的有效性.     

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．     

异结构混沌系统的自适应同步控制

研究了驱动系统参数已知而响应系统参数未知的异结构混沌系统的自适应同步.以已知Liu混沌系统和所有参数未知的Rǒss|er混沌系统为例,基于Lyapunov稳定理论,设计出自适应控制器和未知参数的自适应律.理论上严格证明了闭环误差系统渐近稳定于零.该方法还可以估计出在特定初始条下控制增益的一组取值,从而进一步降低工程代价.数值仿真结果表明了该方法的可行性.     

一类耦合系统的直接自适应神经网络控制

针对一类具有未知常数控制增益的耦合大系统，根据滑模控制原理，利用多层神经网络的逼近性质，提出了一种直接自适应滑模控制器的设计方案．通过在线调节神经网络的连接权、滑模控制增益，实现了对动态不确定性及建模误差的自适应补偿．利用李亚普诺夫方法，证明了自适应控制系统是全局稳定的，跟踪误差收敛到零．     

一类非线性离散系统的神经网络自适应控制

针对一类控制方向未知的单输入单输出非线性离散系统,将常规增量式数字PID控制器与自适应神经网络控制项相结合,提出了一种能够保证闭环系统稳定的自适应神经网络控制方法.常规PID控制器用来保证近似线性系统的稳定,自适应神经网络项用来处理非线性项对闭环系统的影响.在神经网络权值修正律中引入离散Nussbaum增益来解决被控系统控制方向未知的问题.证明了闭环系统的所有信号有界,且跟踪误差收敛于紧集,并通过仿真验证了所提方法的有效性.     

不确定非线性系统的自适应反推终端滑模控制

针对一类具有未知非线性函数的严格反馈型不确定非线性系统,提出了一种自适应反推终端滑模控制方法。反推控制的前n-1步结合动态面控制技术设计虚拟控制律,第n步仅采用一个神经网络函数逼近器补偿系统所有未知非线性函数,得到了基于全局快速终端滑模控制的自适应神经网络控制器；通过引入一阶滤波器，不仅避免了传统反推控制存在的复杂计算,提高了系统的收敛速度,而且通过引入逼近误差和不确定干扰上界的自适应补偿项来消除建模误差和参数估计误差的影响,改善了稳态跟踪精度。理论分析证明闭环系统所有信号半全局一致终结有界，仿真结果验证了该方法的有效性。     

具有死区输入的不确定分数阶混沌系统的同步

针对一类具有死区非线性输入和外部扰动的不确定分数阶混沌系统同步问题,提出一种模糊神经网络结合自适应滑模控制的同步方法.利用模糊神经网络逼近未知的非线性函数,并且对逼近误差采用自适应控制进行补偿,同时构造了一种具有较强鲁棒性的分数阶积分滑模面.应用分数阶Barbalat引理和分数阶稳定性理论,设计自适应模糊神经网络滑模控制器和参数自适应律.数值仿真结果验证了该控制方法的有效性.     

离散时不变线性系统的自适应控制

针对含未建模动态和外来干扰的离散ＳＩＳＯ线性系统，提出一种具普遍性的自适应控制方法．这种控制器的设计是基于系统的已知降阶模型，对建模部分的未知参数采用带有死区的加权最小二乘法进行参数递推估计，从而得到稳健的自适应控制．     

基于动态面控制的MIMO自适应神经网络控制

针对一类具有未知函数控制增益的多输入多输出(M IM O)非线性系统,基于后推设计方法和动态面控制技术,提出一种间接自适应神经网络控制方案.该方案通过引入1阶滤波器,消除了后推设计中由于反复对虚拟控制的求导而导致的复杂性问题,并避免了反馈线性化方法可能出现的控制器奇异性问题,参数估计无需使用投影算法.利用李亚普诺夫方法,证明了闭环系统半全局一致终结有界,通过适当选取设计常数,跟踪误差可收敛到原点的一个小邻域内.仿真结果表明了该方法的有效性.     

一类非线性时滞系统的自适应动态面控制

针对一类具有不确定输入时滞和干扰的非线性系统的跟踪控制问题,提出一种动态面控制、神经网络和自适应控制相结合的控制方案.通过构造一个滤波器和一个虚拟的状态观测器产生辅助信号,并利用神经网络来估计未知的连续函数,证明了系统跟踪误差收敛于一个充分小的紧集.     

输入受限下机器人关节神经网络自适应控制

针对机器人关节控制输入受限以及动力学模型中存在非线性摩擦、柔性变形和未知外部干扰力矩等问题,提出了一种基于径向基函数（radial basis function, RBF）神经网络的输入饱和指令滤波自适应控制方法。基于指令滤波反步法,采用饱和函数约束控制输入的幅值,使用RBF神经网络在线逼近未知干扰,并利用Lyapunov稳定性理论证明了闭环系统的所有误差最终一致有界。仿真结果表明,控制算法不仅使系统的控制输入幅值被严格约束在规定的范围之内,完成了对目标轨迹的高精度跟踪（跟踪误差约为±0.003 rad）,而且还可抵抗外部阶跃干扰力矩和建模误差对控制系统的不良影响,保证系统的高精度与强鲁棒性,性能优于PID (propotional integral derivative)控制和普通指令滤波反步控制（command filter backstepping control, CFBC）,对机器人关节在高精度领域应用与智能控制具有重要价值。     

挠性卫星姿态快速稳定智能控制

针对挠性卫星本身存在的参数不确定性和外部扰动的控制问题,设计了以径向基函数神经网络和小脑神经网络为基础的复合变结构智能控制器.该控制器利用变结构控制系统对被控对象的模型误差、参数变化及外扰等的不敏感性的优点,再结合神经网络能够迅速逼近未知函数、泛化能力强的特点,可以适应挠性卫星参数不确定性和抑制外加干扰,实现对挠性卫星的有效控制.仿真结果表明复合控制能够提高卫星姿态的稳态精度和快速性.     

恒压网络静液传动系统的神经网络滑模控制

根据恒压网络条件下的静液传动系统的特点,建立用于转速控制的二自由度动力学模型.针对恒压网络静液传动系统的参数摄动和不确定性,选择液压泵/马达的角速度和角加速度为控制变量,设计一种神经网络自适应滑模控制器,采用径向基函数神经网络(RBFN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,应用李亚普诺夫稳定性理论推导网络权值的在线自适应率,保证闭环控制系统的稳定性.在模拟试验台上进行了阶跃信号和斜坡信号的转速控制响应分析,并与常规PID控制以及基于神经网络的PID(NNPID)控制进行对比.试验结果表明:所设计的控制器具有良好的控制效果,能使系统具有良好的跟踪性和强的鲁棒性,有效地消除高频抖振现象.