基于变结构径向基函数网络的船舶运动预测PID控制

针对船舶在海上运动的大时滞和动态时变等特点,提出基于一种变结构径向基函数(RBF)神经网络的预测PID控制器.通过建立反映系统动态变化的滑动数据窗口,在线序贯学习窗口内的数据,动态调整隐层节点与隐层至输出层的连接权值,得到结构可自适应变化的RBF网络.将该变结构RBF网络用于预测PID控制器中系统状态的在线多步预测,通过得到的预测模型灵敏度信息在线调整PID控制器参数以控制系统的输出.将该控制器用于船舶航向跟踪控制的仿真实验,结果表明该控制器具有良好的的适应性和鲁棒性.     

欠驱动船舶神经网络自适应路径跟踪控制

针对模型参数未知的欠驱动船舶路径跟踪问题,将神经网络技术与反演设计法相结合,提出一种神经网络稳定自适应控制方法。首先根据运动学误差方程和线性变换确定辅助的前进速度和艏摇角,然后利用神经网络逼近技术对模型中任意不确定因素进行补偿,设计自适应控制律,使得实际的前进速度和艏摇角分别收敛到辅助值。应用Lyapunov函数证明了船舶路径跟踪闭环系统的误差信号最终一致有界。仿真结果表明,利用设计的控制律可以迫使欠驱动船舶跟踪曲线和直线路径,并且具有较强的鲁棒性。     

基于扩张观测器的欠驱动船舶轨迹跟踪低频学习自适应动态面输出反馈控制

针对速度不可测的三自由度欠驱动船舶轨迹跟踪控制问题,考虑船舶存在模型参数不确定项以及外界环境干扰未知情况,提出一种基于扩张观测器的欠驱动船舶轨迹跟踪低频学习自适应动态面输出反馈控制策略.该策略构造扩张观测器估计船舶速度向量,利用神经网络算法逼近模型参数不确定项,然后采用动态面控制技术避免对虚拟控制律直接求导,简化控制律计算过程,并引入低频增益学习技术消除外界扰动导致控制信号产生高频振荡,最后选取李雅普诺夫函数证明该控制律能够保证船舶跟踪闭环系统中所有误差信号一致最终有界.仿真结果表明,本文所设计控制器对船舶模型参数不确定项及外界环境干扰具有较强的鲁棒性,能够实现对船舶轨迹的有效跟踪.     

欠驱动船舶路径跟踪的神经网络稳定自适应控制

针对三自由度欠驱动船舶模型参数不确定的路径跟踪问题, 设计了神经网络稳定自适应控制器. 首先应用微分同胚等效变换和Lyapunov直接法设计参考航向和参考速度, 然后对船舶模型参数不确定的操纵环路和推进环路分别设计神经网络稳定自适应控制器跟踪参考航向和参考速度, 并对外界风浪流干扰进行自适应补偿.Lyapunov稳定性分析证明了船舶路径跟踪闭环系统的所有误差信号一致最终有界. 仿真研究验证了神经网络稳定自适应路径跟踪器的有效性.     

隐层小波元神经网络的非线性跟踪特性

基于Hilbert 空间中Lebesgue 划分的特点,运用算子理论中变换的连续性和相对紧集的拓扑结构研究了小波神经网络的跟踪特性，利用作为隐层激励函数的小波函数的紧支撑和可积性，从代数分析的角度证明了只要隐层激活函数的小波函数满足相应的性质，那么小波神经网络就能以任意的精度跟踪紧集上的连续非线性函数．仿真实例表明了小波神经网络对非线性函数来说是一致跟踪器．     

输入输出受限船舶的轨迹跟踪自适应递归滑模控制

针对输入输出受限, 模型部分不确定和受到未知海洋干扰的全驱动船舶的轨迹跟踪问题, 提出一种基于时 变非对称障碍李雅普诺夫函数的最小参数自适应递归滑模控制策略. 该策略首先设计障碍李雅普诺夫函数约束船 舶轨迹在有限区域内, 利用最小参数法神经网络逼近模型不确定项, 降低系统的计算复杂度, 然后采用指令滤波器 对输入信号进行幅值约束, 同时避免对因反步法导致的微分爆炸问题, 综合考虑船舶位置以及速度误差间的关系设 计递归滑模控制律, 提高系统的鲁棒性, 采用双曲正切函数和Nussbaum函数补偿由输入饱和引起的非线性项, 提高 系统稳定性. 最后通过Lyapunov理论分析证明了全驱动船舶闭环系统中所有信号是一致最终有界的. 仿真结果表 明, 本文所设计的船舶轨迹跟踪控制方案能有效处理船舶模型不确定部分以及未知外界干扰的问题, 能够实现船舶 在输入受限的情况下在有限区域内航行并准确的跟踪期望轨迹, 具有较强的鲁棒性.     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

双电机驱动伺服系统的控制与仿真研究

研究双电机驱动伺服系统优化控制问题,双电机驱动伺服系统中存在齿隙非线性,从而降低系统跟踪响应速度、稳态精度及抗干扰能力,为了削弱齿隙非线性对系统产生的不利影响,提出了一种新的控制方法,采用遗传算法和RBF神经网络相结合。针对RBF神经网络控制器参数难以确定的问题,对RBF神经网络的隐层中心值和宽度进行了优化,用递推最小二乘法训练隐层和输出层之间的权值。最后在双电机驱动伺服系统中进行了仿真,结果表明系统跟踪响应速度快,稳态精度高,抗干扰能力强,具有较高的鲁棒性,证明所提出的控制策略是有效的。     

基于自适应扰动观测器的自主船舶协同路径跟踪控制

为实现未知环境扰动下不确定欠驱动自主船舶的协同路径跟踪控制, 本文提出了一种基于自适应扰动观 测器的鲁棒控制算法. 该算法采用径向基函数神经网络(RBFNNs)逼近模型参数不确定, 并利用最小学习参数化 (MLP)技术对神经网络的权重及逼近误差进行压缩, 所设计观测器不需要环境扰动上界的精确信息. 进一步, 基于 代数图论对船间通信进行建模, 设计了一种分散式协同控制律, 有效地降低了通信负载. 凭借Lyapunov稳定性理论 证明了闭环系统内信号的有界性, 且能通过对设计参数的调节使跟踪误差的收敛界为任意小. 最后采用数值仿真 试验验证了所提出算法的有效性和优越性.     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

基于自适应滑模的欠驱动无人艇轨迹跟踪控制算法

针对欠驱动水面无人艇在航行过程中存在的海洋环境干扰、数学模型参数不确定、执行器故障等问题,提出了一种基于扰动观测器与神经网络技术的自适应滑模轨迹跟踪策略。在无人艇三自由度模型的基础上,结合视线制导率,提出了一种新的轨迹跟踪制导策略。采用自适应滑模控制技术设计了欠驱动无人艇轨迹跟踪控制器,有效地抑制了执行器衰减故障对无人艇控制系统的影响;同时运用了非线性扰动观测器和自适应径向基函数神经网络分别对无人艇受到的外界干扰和模型参数不确定性进行补偿和拟合,提高了控制系统的抗干扰能力。基于Lyapunov定理证明了所设计的控制系统的稳定性,并在MATLAB中进行了仿真测试。仿真结果表明,所提出的轨迹跟踪控制算法可以在较为复杂的环境下实现对欠驱动无人艇的精准控制;相较于对比算法,位置的平均跟踪误差减小了80%以上,具备较高的稳定性和鲁棒性。     

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。     

基于神经网络补偿的转台伺服系统控制研究

针对飞行仿真转台伺服系统中存在的非线性摩擦干扰进行了研究,采用一种基于RBF神经网络进行误差补偿的在线自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,利用RBF神经网络的万能逼近特性在线辨识模型误差,从而对系统进行补偿,其权值自适应律根据Lyapunov稳定性理论推导,保证了系统跟踪误差的收敛及稳定,仿真结果表明该控制策略可使位置MAE指标从0.0087m提高到0.0016m,使位置MSE指标从1.0128e-4m提高到3.3002e-6m,具有较高的鲁棒性和稳态控制精度。最后分别从隐层节点数及节点中心学习算法的变化两方面提出两种改进方案,仿真结果表明隐层节点数的增加可以进一步减小位置误差,而采用K-means均值聚类算法解决了神经网络节点中心按经验选取或试凑的困难。     

Robust neural network–based tracking control and stabilization of a wheeled mobile robot with input saturation

This paper presents a robust neural network–based control scheme to deal with the problem of tracking and stabilization simultaneously for a wheeled mobile robot subject to parametric uncertainties, external disturbances, and input saturation. At first, a new error‐state transformation scheme is designed by introducing some auxiliary variables as an additional virtual control signals to reduce the adverse effect caused by the underactuation. These variables can change their structures for different desired trajectories to be tracked. Then, a robust control law is proposed combining with a kinematic controller and a dynamic controller, while a three‐layer neural network system is applied to approximate model uncertainties. Stability analysis via the Lyapunov theory shows that the proposed controller can make tracking errors converge to bounded neighborhoods of the origin. Finally, some simulation results are illustrated to verify the effectiveness of the proposed control strategy.     

建模参数不确定的欠驱动船舶路径跟踪控制

针对欠驱动船舶路径跟踪控制中,建模参数时变引起的不确定性问题,提出一种非线性动态神经模糊控制算法。该算法在控制过程中同时调整控制器结构和参数,能确保船舶几何位置的准确跟踪并克服不确定性的影响。仿真结果验证了算法的有效性。     

控制饱和约束下的自主水面船编队

针对含模型不确定与海洋环境干扰的自主水面船编队时的控制饱和约束问题,提出了一种基于广义饱和函数的编队控制算法.首先,采用虚拟领航–跟随编队策略,并基于反步法以及更为通用的广义饱和函数设计了编队控制器,突破了采用特定饱和函数的局限性.再针对自主水面船的特点,利用单隐层神经网络对模型不确定和海洋环境干扰进行了在线逼近.然后根据Lyapouv稳定性理论证明了闭环系统所有状态的有界性,并可通过选择合适的设计参数使跟踪误差为任意小.最后,通过对比仿真结果验证了本文所提出的抗饱和编队控制算法的有效性.     

不确定性自由漂浮空间机器人神经自适应控制

针对具有模型不确定性以及外部干扰下的自由漂浮空间机器人,采用一种整体逼近的神经网络自适应控制方法。该方法采用RBF神经网络对不同重力环境下系统模型的不确定项进行整体逼近,对系统的不确定项进行在线自适应学习。神经网络的逼近误差以及外界干扰由鲁棒项进行消除。该方法不依赖于系统模型,简化了控制系统的结构,在考虑重力等不确定项的情况下不用改变控制器也能进行控制,并且根据李亚普诺夫理论证明了所设计控制器使系统渐进稳定。在不同重力环境下进行了仿真,验证了控制方案的有效性。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...