智能重构控制技术及其应用

重构控制已成为目前控制领域的研究热点和具有挑战性的课题。概述了重构控制发展的背景、现状及存在问题，通过分析得知，重构控制的智能化已成为该领域发展的重要方向，并进一步总结了目前若干具有代表性的智能重构控制方法，着重介绍了基于神经网络和模糊推理的智能故障诊断和智能重构控制方法。最后，展望了智能重构控制在飞行控制领域的应用前景     

非线性时变系统的输出跟踪

研究一类非线性时变控制系统的输出跟踪控制问题。首先，给出了时变李导数及非线性时变系统的相对阶定义；其次，在系统输入输出反馈线性化的基础上，设计了跟踪期望信号的时变状态反馈控制律；最后给出了数值算例，用仿真结果说明了本文方法的有效性。     

非线性关联大系统的鲁棒观测器研究

本文研究一类含有参数不确定性的非线性关联大系统的鲁棒状态观测器设计问题，设计了一种非线性鲁棒状态观测器，并证明了状态误差按指数渐近收敛到零。最后给出了一个数值算例，说明了本文的结论及鲁棒状态观测器的设计方法。     

基于局部状态反馈的分散鲁棒控制

针对一般关联不确定大系统的分散鲁棒控制问题，提出了鲁棒性因子的概念及一种新的基于局部状态反馈的分散鲁棒控制器的设计方法，并给出一个数值例子和仿真结果说明了这种方法的有效性，     

一种模型参考自适应调速系统

本文在Ioannou的“σ-修正”适应控制律基础上,提出了一种对高频寄生特性和库仑摩擦扰动均有较强鲁棒性的自适应控制方案.给出了系统的稳定性分析及数字仿真结果,并将简化的适应律在一个三阶调速系统上付诸实施,结果明显优于经典反馈控制系统.     

网络环境下的不确定非线性系统远程智能控制

针对一类网络环境下的不确定非线性动态系统,提出了一种基于神经网络非线性补偿和线性反馈控制相结合的智能远程控制方法。该方法通过构造神经网络在线估计器学习局部子系统的非线性特性,从而将局部子系统线性化,神经网络权重的在线学习没有持续激励的要求,且可保证闭环误差系统一致最终有界稳定。最后对线性化的闭环时延控制系统,远程控制器采用基于李亚普诺夫(Lyapunov)稳定性理论的线性状态反馈控制,从而保证了整个闭环网络控制系统的稳定性。     

一类时变系统模型参考自适应迭代学习控制

针对一类有限时间区间上可重复运行的有界输入有界输出稳定的一阶线性时变系统,其高频增益和惯性参数均时变,为使之能够跟踪不同的参考轨迹,将模型参考自适应控制方法与迭代学习方法相结合,提出了模型参考自适应迭代学习控制算法.基于类李雅普诺夫(Lyapunov-like)函数证明了当迭代次数趋于无穷时,跟踪误差在有限时间区间上一致收敛到零,并证明了闭环系统中参数估计和控制信号有界.系统仿真验证了所提控制算法的有效性.     

一类非线性系统的模糊神经网络内模控制

针对一类开环稳定的非线性系统,提出了一种基于模糊神经网络的非线性内模控制方案.通过理论分析指出模糊神经网络模型可视为一类特殊的线性时变系统,其模型的解析逆可以直接获得,从而简化了非线性内模控制的设计.为了研究建模误差对闭环系统稳定性的影响,将建模误差转换为结构性不确定,采用μ方法分析了闭环系统的鲁棒稳定性.仿真结果验证了该方法的有效性.     

动态神经网络的非线性系统鲁棒辨识和状态观测

针对多变量仿射非线性系统辨识和状态估计问题。采用动态神经网络作为辨识器和观测器,从而将系统辨识和状态观测设计过程合二为一,给出了辨识和状态估计的系统设计方法及具体设计步骤。在考虑建模误差项影响的情况下,采用基于Lyapunov理论的权调节律确保权值估计误差和状态观测误差的一致最终有界。仿真结果验证了所提方法的有效性。     

用于函数逼近的小波网络

在小波分析的基础上 ,结合神经网络构造了一种新的小波级数形式的小波网络 ,并利用非线性规划中的变尺度法对网络权值进行训练。对一类非线性函数和混沌时间序列进行了仿真研究 ,并与文献 [7]的小波网络进行了仿真比较。结果表明 ,这种新的小波网络具有良好的函数逼近能力 ,收敛速度快且逼近精度高。