定常非线性系统能控性的分析

针对定常解析非线性系统进行能控性分析，采用微分方程级数解法得到状态方程的一般级数解，用作能控性分析的基本依据。用广义隐函数存在性定理为工具，结合定常解析非线性系统结构特征，分析了定理充要条件的物理意义，该充要条件与能控态点集的特征。进而得到弱能控的充要条件和能控的必要条件。对称性分析中，取得了状态转移局部对称性的充要条件。给出了能控性分析算例，表明对定常解析非线性系统能控性分析是方便有效的。     

逆系统方法在水箱水位控制中的应用及实验研究

本文应用非线性系统的逆系统方法,研究了二容积液位系统的非线性控制问题,并通过计算机仿真实验对设计方案进行了验证。该方案不仅适用于大范围地调节液位的情况,而且避免了用线性控制方案可能出现的不稳定问题。     

Normal Determinative Function Method for Judging Stability of Nonlinear Systems

ＮｏｒｍａｌＤｅｔｅｒｍｉｎａｔｉｖｅＦｕｎｃｔｉｏｎＭｅｔｈｏｄｆｏｒＪｕｄｇｉｎｇＳｔａｂｉｌｉｔｙｏｆＮｏｎｌｉｎｅａｒＳｙｓｔｅｍｓ＊ＬｉＣｈｕｎｗｅｎ（李春文），ＭｉａｏＹｕａｎ（苗原）＋，ＺｈａｎｇＰｉｎｇ（张平），ＦｅｎｇＹｕａｎｋｕｎ...     

直接甲醇燃料电池温度响应的建模与仿真

给出了一种用于直接甲醇燃料电池(DMFC)温度响应的人工智能建模方法.采用BP网络、Elman神经网络与自适应神经模糊推理系统(ANFIS)避免了精确数学模型的复杂性.详细描述了辨识结构、算法和模型训练方案.通过不同模型之间的仿真对比,得出了三种网络的最优结构参数.仿真结果满足精度要求,得出ANFIS模型性能最优.在ANFIS模型基础上对DMFC温度响应特性作了简要分析.通过仿真模型可快速得到其输入输出特性,使DMFC温度响应的在线预测与控制成为可能.     

具有超导储能的电力系统综合控制仿真

对于具有超导储能（SMES）装置的单机无穷大电力系统，本文在Matab的Simulink仿真平台上构造了基于微分代数方程的系统模型，结合逆系统方法和SMES的小信号模型，设计了SMES综合控制器，在两种情况下的Simulink仿真表明了本文设计的控制器可以显著地改善电力系统的暂态性能。     

三相电压型逆变器的鲁棒跟踪双环控制器

为了保证三相逆变器在负载变化及参数摄动时输出电压动态响应快、稳态精度高、波形失真率小,基于αβ模型设计一种电感电流内环电压外环的双闭环控制器.电压外环采用离散积分滑模控制以改善系统的稳态性能并增强系统的鲁棒性.进行了正弦波跟踪的仿真实验,结果是突加纯阻性负载时调整时间为2 ms, 暂态过程中输出电压总谐波畸变率为3.46%; 当参数缓慢变化时总谐波畸变率为 0.13%.仿真结果表明: 当系统参数和负荷有较大变化时系统能很好的跟踪参考电压,控制策略是可行的.     

基于SVPWM的变参数三相并联APF的控制策略

为了抑制三相并联有源电力滤波器(APF)运行过程中参数变化对补偿效果的影响,提出了基于递推最小二乘算法的参数实时在线辨识控制策略。三相并联有源电力滤波器的参考电流则依据瞬时无功功率理论检测获得。该控制策略基于在线辨识参数将参考电流转换为相应的参考电压,通过空间矢量脉宽调制技术控制电压源逆变器的输出,使它产生对应补偿电流。该控制策略原理简单,能改善补偿效果并易于实际应用。仿真实验验证了该控制策略的可行性、可靠性及鲁棒性。     

基于全滑模面的多感应电机速度同步控制

基于相邻交叉耦合控制结构, 采用全滑模面控制方法,提出了一种多感应电机速度同步控制策略.该控制策略在对感应电机速度进行跟踪的同时还能实现与其它感应电机的速度同步,使得所有感应电机的速度同步误差收敛于零.利用李亚普诺夫方法证明了该控制器的全局稳定性和收敛性.仿真结果表明了该控制策略的有效性.     

一种视频会议业务流的Gamma-Beta多重分形模型

针对计算机网络中的视频会议业务流,提出了一种新的Gamma Beta多重分形模型。这种模型基于视频会议业务流的Gamma分布特性,采用Beta分布产生多重分形的乘子。与普通的多重分形模型不同的是,新模型充分考虑了视频业务流在各个不同时间尺度的概率分布特性,确保其在不同的时间尺度上都能拟合源数据的分布。由于决定网络业务流排队分析特性的关键时间尺度是随着缓冲区的容量和节点传输速率而变化的,提出的模型能描述几乎各个时间尺度上的业务流特性,因此能适应各种不同情况的缓冲区的排队分析。最后,通过对视频业务流的仿真实验与排队分析验证了模型的有效性。     

延迟时间未知的时延系统神经网络补偿控制

提出了延迟系统及延迟时间参数的神经网络辨识方法。改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型补偿的控制策略相结合,可以用于具有变化参数或者不确定性延迟时间的大延迟系统的控制。仿真结果表明这种神经网络模型补偿延迟系统控制具有很好的控制效果,它是大延迟控制中克服延迟时间变化的很有希望的方法。