基于逆系统方法的非线性系统内模控制

本文的目标是采用逆系统方法来达到对一类特殊的非线性连续动态系统的跟踪控制。基于高斯基函数的径向基数神经网络以其在函数逼近方面的优势而被用来逼近已知对象的α-阶积分逆系统。为了提高控制精度，我们利用内模控制来减少由于建模及扰动引起的误差作用。仿真结果表明此方法具有理想的效果和高的精度，且内模控制器设计简单。     

基于小波网络的非线性内模控制

针对非线性内模控制结构,给出了小波网络逼近系统正、逆模型的充分条件的实现方法。在内模控制结构中引入PID补偿控制,改进了内模控制器的性质。仿真结果表明,小波网络用于非线性内模控制是有效的,内模＋PID控制较单一内模控制具有更快速和平稳的跟踪性能。     

一种在线变结构RBF算法在内模控制中的应用

将一种在线变结构径向基函数网络训练算法应用到内模控制中，对如何利用径向基函数网络辨识被控对象内部模型和控制器模型进行了较为深入的分析并给出了具体的迭代学习公式。仿真结果证明了该算法对非线性动态过程是有效的，具有较好的自适应性和鲁棒性。     

高斯基神经网络的非线性PID控制方法

针对二阶非线性系统,提出了一种用高斯基函数作为神经元激励函数的PID（Proportion-Integral-Derivative）控制方法。该方法用高斯基函数模拟PID参数随误差变化的曲线,用神经网络算法在线调整各模拟曲线的系数,从而构造出具有非线性特征的PID控制策略,实现了基于高斯基神经网络的非线性PID智能控制方法。计算机仿真结果表明,该方法具有良好的非线性控制效果,因此在工业领域具有广泛的应用前景。     

基于改进MRAN的内模自适应控制及其应用研究

通过对最小资源分配网络的隐节点剪裁策略进行改进，使改进的网络具有更加紧凑的结构；通过把改进的最小资源分配网络和内模控制相结合，提出基于改进最小资源分配网络的内模自适应控制，并应用到对电站锅炉过热汽温的控制上。仿真结果表明提出的控制算法与常规的控制算法相比具有更好的控制品质。     

一类SISO系统的预测函数控制及其鲁棒稳定性分析

首先给出对象不确定性描述,基于阶跃响应模型提出单值预测函数控制和双值预测函数控制两类算法的设计．然后将系统控制结构归结为内模控制结构,利用多项式Jury主系数定理,分别给出基于两类预测函数控制算法设计的闭环控制系统鲁棒稳定的充分条件．最后通过仿真实验讨论了控制器的参数调节．     

基于改进IMC的开环不稳定时滞过程控制

针对开环不稳定对象,在传统内模控制结构中增加了一个预稳定控制器,提出了改进的内模控制结构,给出了闭环系统内稳定判定定理;更重要的是提出一个综合闭环性能和相角裕度的指标函数,将该指标函数最大化,可获得在不同归一化时滞情况下的优化预稳定控制器整定参数,并拟合出公式．最后,与国际上最新发表的控制方法进行了对比,显示了该方法的优越性．     

改进模糊神经网络控制在伺服系统中的应用

稳定跟踪系统中,被控对象呈现出强耦合、非线性现象多和系统参数多且难以辨识的特点。针对传统的PID难以对其进行精确控制的实际情况,提出了一种新的控制方法。通过在神经网络结构中加入递归层而构造的改进的模糊人工神经网络,可以很好地描述动态系统。采用高斯基函数可以使网络具有很好的泛化能力。仿真试验表明,这种模糊人工神经网络和PID联合起来对一类伺服系统进行多模态控制,可以提高系统的自适应性和鲁棒性,有效提高控制精度,具有很高的应用价值。     

基于测地高斯基函数的递归最小二乘策略迭代

在策略迭代结强化学习方法的值函数逼近过程中,基函数的合理选择直接影响方法的性能．为更好地 描述环境的拓扑关系,采用测地线距离来替换普通高斯函数中的欧氏距离,提出一种基于测地高斯基函数的策略迭 代强化学习方法．首先,基于马尔可夫决策过程抽样得到的样本数据建立环境的图论描述．其次,在图上定义测地 高斯基函数,并用基于最短路径快速算法得到的最短路径来逼近测地线距离．然后,假定强化学习系统的状态—动 作值函数是给定测地高斯基函数的加权组合,采用递归最小二乘方法对权值进行在线增量式更新．最后,基于估计 的值函数进行策略改进．10￡10 和20￡20 迷宫问题的仿真结果验证了所提策略迭代方法的有效性．     

自构建小波神经网络的内模控制研究与应用

考虑到小波神经网络隐含层神经元的数目决定了整个网络的规模和性能,根据小波基函数的激励强度和衰减程度可以添加或者删除小波神经网络隐含层神经元,优化了小波神经网络隐含层结构,采用自构建小波神经网络辨识内模控制系统的正模型和逆模型,该模型的神经网络结构可根据性能要求动态调整,从而改进了神经网络内模控制技术,实验结果表明,提出的控制方法比传统方法在鲁棒性和抗扰性方面具有更好的性能表现,各项指标均优于传统控制方法.实现氧化铝熟料烧结工艺优化。     

时滞系统的神经网络辨识与控制算法

针对时滞系统、应用神经网络的非线性逼近能力，采用神经网络实现内模控制中被控对象的正模型及内模控制器，用Lyapunov稳定性定理证明神经网络控制系统的稳定性。仿真结果说明神经网络内模控制方案的优越性。     

无线数据网络中基于博弈论方法的功率控制

功率控制是第3代移动通信网络中无线资源管理的一项关键技术，传统的功率控制主要考虑移动通信系统中的话音业务，设计了一个新的基于定价的效用函数，采用了博弈论的分析方法，提出了一个适用于无线数据网络的功率控制框架．证明了非合作功率控制博弈中存在惟一的纳什均衡，设计了一个分布的功率控制算法并证明了算法的收敛性．通过数值仿真来验证算法的性能，讨论了各个用户的传输特性和效用函数中定价因子对系统性能的影响，仿真结果表明用户可以用较低的传输功率获得较高的效用，算法具有较好的收敛性能。     

基于强化学习的移动传感器网络时延系统控制数学建模

为了提高移动传感器网络时延系统控制能力,提出基于强化学习的移动传感器网络时延系统控制模型,采用高阶近似微分方程构建移动传感器网络时延系统的控制目标函数,结合最大似然估计方法进行移动传感器网络的时延参数估计,采用强化学习方法进行移动传感器网络的收敛性控制和自适应调度,建立传感器网络时延系统控制的多维测度信息配准模型,在强化跟踪学习寻优模式下实现移动传感器网络时延系统的自适应控制。仿真结果表明,采用该方法进行移动传感器网络时延系统控制的自适应性较好,时延参数估计准确度较高,控制过程的鲁棒性较强。     

模糊内模PID控制及应用

工业控制系统经常存在时滞现象,且含有一定程度的非线性环节,采用常规控制方法很难满足控制要求.内模控制对时滞系统具有较好的控制作用.当内模与系统实际模型相差较大时,控制效果将会下降.根据影响系统参数的主要因素,预先确定在不同条件下系统的传递函数.当系统运行时,借助模糊控制理论,直接调用相应的系统参数,并采用内模PID进行控制.实际应用表明,该方法具有很好的控制效果.     

用模糊RBF神经网络简化模型设计多变量自适应模糊控制器

针对多变量系统实时性要求,提出模糊径向基神经网络结构的简化模型及相应算法,并对由此简化模型设计的多变量模糊控制器模糊规则的在线自学习算法进行分析,提出一种系统动态增益的处理方法和基于过程最优的改进方案,仿真实验结果表明该控制器可实时自自应控制,改进算法是有效的。     

Adaptive control Lyapunov function based model predictive control for continuous nonlinear systems

A design of adaptive model predictive control (MPC) based on adaptive control Lyapunov function (aCLF) is proposed in this article for nonlinear continuous systems with part of its dynamics being unknown at the starting time. Specifically, to guarantee the convergence of the closed-loop system with online predictive model updating, a stability constraint is designed. It limits the aCLF of the system under the MPC to be less than that under an online updated auxiliary adaptive control. The auxiliary adaptive control which implements in a sampling-hold fashion can guarantee the convergence of the controlled system. The sufficient conditions that guarantee the states to be steered to a small region near the equilibrium by the proposed MPC are provided. The calculation of the proposed algorithm does not depend on the model mismatch at the starting time. And it does not require the Lyapunov function of the state of the real system always to be reduced at each time. These provide the potential to improve the performance of the closed-loop system. The effectiveness of the proposed method is illustrated through a chemical process example.     

基于ADP算法的带时滞及饱和的非线性系统最优控制

针对控制时滞及带饱和的一类离散时间非线性系统的最优控制问题,通过重构性能指标函数和对应的系统变换,处理了性能指标函数中的控制耦合项;继而引入一个合适的泛函,解决了控制带饱和问题.给出了一个新的性能指标函数,利用迭代自适应动态规划(ADP)算法获得最优控制.为实现该算法,采用神经网络逼近函数来求解最优控制问题.仿真结果验证了方法的有效性.     

RBF-ARX model-based MPC strategies with application to a water tank system

A hybrid pseudo-linear RBF-ARX model that combines Gaussian radial basis function (RBF) networks and linear ARX model structure is utilized for representing the dynamic behavior of a class of smooth nonlinear and non-stationary systems. This model is locally linear at each working point and globally nonlinear within whole working range. Based on the structural characteristics of the RBF-ARX model, three receding horizon predictive control (RBF-ARX-MPC) strategies are designed: (1) the RBF-ARX-MPC algorithm based on single-point linearization (MPC-SPL); (2) the RBF-ARX-MPC algorithm based on multi-point linearization (MPC-MPL); and (3) the RBF-ARX-MPC algorithm based on globally nonlinear optimization (MPC-GNO). In the MPC-SPL, the future multi-step-ahead predictive output of the system is obtained based on the local linearization of the RBF-ARX model at only current working-point, while in the MPC-MPL the future long-term output prediction is obtained according to the future local characteristics from previous online optimization results of the RBF-ARX model based MPC. In the MPC-GNO, the globally nonlinear characteristics of the RBF-ARX model are fully used for online getting control variables of the MPC. Real-time control experiments for the three type MPCs are carried out on a water tank system, which are also compared with a classical PID control and a traditional linear ARX model-based MPC. The results verify that the modeling method and the model-based predictive control strategies are realizable and effective for the nonlinear and unstable system. Moreover, it is also shown that the MPC-GNO can obtain better control performance but need more computation time compared to the other MPCs, which makes it possible to be applied into some slowly varying processes.     

大滞后系统数字内模控制器的设计及仿真研究

对于带有严重纯滞后的工业对象,目前的控制策略是史密斯预估控制,或者是内模控制,他们都要使用连续域的数学模型。而在目前的对象辨识中,辨识出来的对象往往是离散形式的数学模型,这就需要连续到离散模型的转换。在转换的过程中,难免会出现一些偏差,使得辨识出来本来就不是很精确的数学模型变得更加偏离实际系统,进而使得控制效果不尽理想。该文针对这种情况,提出一种基于离散对象模型的数字内模控制（DIMC）算法。该算法直接利用对象辨识给出的离散模型,导出离散的内模控制器,直接用于工业生产的计算机控制。仿真结果表明,该方法能克服被控对象参数变化和时滞变化对控制性能的影响,具有很强的鲁棒性能。     

基于自适应动态规划的一类带有时滞的离散时间非线性系统的最优控制策略

针对一类状态和控制变量均带有时滞的非线性系统的带有二次性能指标函数最优控制问题, 本文提出了一种基于新的迭代自适应动态规划算法的最优控制方案. 通过引进时滞矩阵函数, 应用动态规划理论, 本文获得了最优控制的显式表达式, 然后通过自适应评判技术获得最优控制量. 本文给出了收敛性证明以保证性能指标函数收敛到最优. 为了实现所提出的算法, 本文采用神经网络近似性能指标函数、计算最优控制策略、求解时滞矩阵函数、以及给非线性系统建模. 最后本文给出了两个仿真例子说明所提出的最优策略的有效性.