不确定系统的稳定广义预测控制

针对一类有界不确定线性离散被控对象,采用Min-Max优化方法,提出一种新的稳定广义预测控制(MMSGPC)算法.引入内模控制结构,将干扰和不确定性从被控对象中分离出来,并利用局部反环节对其进行补偿;采用Min-Max优化方法,将终端约束条件转化为有界不确定性最差情况时应的线性方程;通过引入矩阵的Moore-Penrose逆,得到了终端约束线性方程的通解,并结合性能指标函数求得了最优控制律.通过仿真实例验证了该方法的稳定效果.     

不确定系统的稳定广义预测控制

针对一类有界不确定线性离散被控对象,采用Min-Max优化方法,提出一种新的稳定广义预测控制(MMSGPC)算法.首先引入内模控制结构,将干扰和不确定性从被控对象中分离出来,并利用局部反环节对其进行补偿,然后采用Min-Max优化方法,将终端约束条件转化为有界不确定性最差情况对应的线性方程,最后通过引入矩阵的Moore-Penrose逆,得到了终端约束线性方程的通解,并结合性能指标函数求得了最优控制律.仿真实例验证了该方法的稳定效果.     

含有界扰动系统的多模型自适应控制

对含有有界扰动和参数不确定性的离散时间被控对象建立多个辨识模型, 覆盖被控对象的参数不确定性. 给定指标切换函数, 构成多模型自适应控制器. 引入“局部化”技术, 在保持计算精度的同时, 提高了计算速度. 同时证明, 多模型自适应控制可以保证闭环系统输入输出稳定, 且保证对给定有界参考输入、被控对象输出可在一给定界范围内跟踪参考输入.     

具有不确定性的非线性系统自适应神经网络L2增益控制

针对存在不确定性的非线性系统,提出了自适应神经网络L2增益控制器设计方法,将基于Hamilton—Jacobi—Issacs（HJI）不等式和自适应神经网络策略相结合,有效地克服了需要被控对象精确建模的局限性．神经网络对系统模型的偏差进行拟合;为了补偿拟合误差,引入补偿控制器和神经网络权值自适应调节律,通过在线自适应修正神经网络权值,来保证闭环系统满足相应的L2性能准则．仿真结果表明提出的控制器设计方法是有效的,克服了一般方法需要被控对象精确建模的局限性．     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

非线性约束系统H∞鲁棒预测控制

针对一类具有状态约束和控制约束的离散非线性系统，本文采用有限维参数化方法提出了一种基于闭环优化的H∞鲁棒预测控制算法．这种算法把预测控制的滚动优化机制同微分对策理论和非线性H∞控制理论做了有机结合；在闭环优化中通过有限维参数化方法把控制变量参数化为多项式控制变量，并且引入被控系统的过渡平衡点．这样算法不但可以处理不确定系统，而且降低了在线闭环优化的计算复杂度．进一步，证明了算法的可行性和对有界不确定性系统的鲁棒稳定性．最后，用数值仿真验证了算法的有效性．     

基于状态空间的有约束稳定广义预测控制

针对一类有约束的稳定广义预测控制问题,提出一种基于状态空间的稳定广义预测控制算法。首先通过传递函数的状态空间实现,得到被控对象的离散状态空间形式;然后引入Deadbeat状态反馈矩阵并给出约束条件的等价性定理,实现了约束条件的等价转化;最后通过等价约束条件优化性能指标函数求解控制律。仿真实例表明该方法具有良好的稳定性。     

不确定性R¨ossler 系统的自适应鲁棒跟踪控制

研究具有外部不确定性R¨ossler 混沌系统的鲁棒跟踪控制问题. 基于动态面控制原理设计自适应鲁棒控制器, 给出了系统参数的自适应更新律, 使得被控闭环系统的各误差变量一致有界. 系统输出曲线渐近跟踪任意期望轨道, 且跟踪误差能被控制在任意小的范围内, 而无须知道系统的参数及外部不确定性的界限. 基于稳定理论给出了具体的稳定性分析, 并通过数值仿真验证了该方法的有效性及鲁棒性.

     

Min/Max曲率流实现图像去噪和增强分析

分析Min/Max曲率流在图像去噪和增强方面的机理。针对Min/Max曲率流结合水平集方法通过曲线(曲面)演化对图像去噪和增强的特点,给出了Min/Max曲率流模型新的数值计算方法。新的方法主要是关于边缘保护和除噪的自适应算法,较好地解决了Min/Max曲率流在去噪和增强时对图像边缘尖点的扩散模糊问题。通过数值实验证明该方法能去除图像噪声,使图像的可视性得到显著提高。     

一类不确定非线性大系统的分散鲁棒控制器设计

基于Backstepping方法，设计了一类具有不确定性扰动和不确定性关联项的非线性大系统的分散鲁棒稳定控制器。非线性大系统的关联项为时变有界非线性函数且不确定性扰动以仿射非线性方程的形式引入。为了提高系统的控制效果。将：Backstepping递推设计方法与L2增益控制相结合，所设计的分散鲁棒控制器不仅使每个子系统的状态向量跟踪一个指定的期望轨迹。而且还使系统的不确定性干扰具有L2增益控制。     

输入状态稳定的鲁棒预测控制

以有界干扰非线性系统为研究对象,设计一种基于近似可达集的鲁棒预测控制方法。该方法以鲁棒控制不变集作为终端约束集,采用一种简单的三次多项式逼近预测控制的待优化控制律,通过在线优化求解三次多项式的各项系数,并从理论上证明了所设计的鲁棒预测控制律可以使系统输入状态稳定。最后通过仿真实例验证了所提出的鲁棒预测控制方法的可行性和有效性。     

一种无模型自适应积分终端滑模控制方法

针对一类包含扰动的非线性离散时间系统,提出一种新的无模型自适应离散积分终端滑模控制算法.该算法基于紧格式动态线性化数据模型,利用离散积分终端滑模控制算法设计无模型自适应控制器,并采用扰动估计技术估计系统的扰动项,其中动态线性化方法中“伪偏导数”的估计算法仅依赖于被控系统的I/O测量数据.理论分析证明了系统输入输出有界,并通过仿真实验验证了所提算法的有效性.     

一类不确定非线性系统的鲁棒自适应轨迹线性化控制

针对一类不确定非线性系统,研究了一种新的鲁棒自适应轨迹线性化控制方案.利用径向基神经网络的在线逼近能力以及被控对象分析模型的有用信息设计一种径向基神经网络干扰观测器来估计系统中存在的不确定性.观测器输出用于设计补偿控制律抵消不确定性对系统性能的影响,鲁棒自适应控制律用于克服逼近误差.采用Lyapunov方法严格证明了在自适应调节律作用下闭环系统所有误差信号最终有界.最后利用倒立摆系统验证了新方法的有效性.     

时延网络控制系统的模型预测控制

针对有输入约束的不确定时延网络控制系统,提出鲁棒模型预测控制方法;其中,将不确定时延建模为范数有界的输入矩阵的不确定性．给出了鲁棒性能指标的上界和系统渐近稳定的充分条件,通过在线求解LMI凸优化问题得到状态反馈控制律．仿真例子验证了该方法的有效性．     

基于Industrial IT控制系统实现专家优化控制功能

DCS控制系统实现了全厂范围的自动化控制,几乎所有的企业决策者都能够主动选择一套DCS系统控制其生产线,而专家优化系统并不被企业决策者所重视,但随着专家优化系统的不断引入,其作用将逐渐显现出来。从控制功能上看,DCS系统解决了常规对象的控制问题,而对于复杂的被控对象,其不确定性、非线性以及非精确性对于DCS控制系统和对生产工艺及设备知之不多的自动化工程师是一个     

机械臂鲁棒自适应运动控制

针对具有不确定性的机械臂系统,文中阐述了一种基于势函数和Lyapunov稳定性理论的鲁棒自适应控制方法．它是通过合理选择与控制目标相关的势函数,并根据模型中不确定性的实时变化,在控制器中引入可在线可调参数,使得控制器机械臂能够跟踪给定的有界参考信号,跟踪误差收敛到包含零点的很小的邻域内．同时该闭环系统的所有状态半全局最终一致有界（SGUUB）．仿真研究表明该方法的有效性．     

Lurie网络化控制系统的保性能控制

以不确定Lurie系统作为被控对象,研究其在网络环境下的保性能控制问题.在同时考虑随机网络诱导时延和数据丢包的情况下,建立不确定Lurie网络化控制系统模型;利用Lyapunov方法分别给出了存在结构不确定性和范数有界的不确定性时,Lurie网络化控制系统保性能控制器的设计方法.所得结果是以线性矩阵不等式的形式给出的,便于数值求解.最后以数值实例说明了所提出方法的可行性和有效性.     

基于有界扰动分区的多模型自适应控制

对于含有界扰动的离散时间系统,将有界扰动变化范围分割成若干小区间,针对这些区间建立多个自适应模型,并针对每一个自适应模型建立相应的控制器.给定一个指标切换函数,基于多个自适应模型控制器和给定的指标切换函数构成多模型自适应控制器.可以证明多模型自适应控制器能够保证闭环系统是输入输出有界稳定的.仿真实例表明,当被控对象的有界扰动随时间变化的时候,采用单一模型自适应控制,系统输出很难跟踪设定值,而多模型自适应控制器却极大地改善了控制品质.     

线性时变对象的鲁棒自适应控制

本文用鲁棒自适应律解决了线性慢时变对象的模型参考自适应控制问题。我们引入文献[1]的鲁棒自适应律来调节被控对象的控制器参数,并对任意有界初始条件,证明了自适应环中所有信号的有界性。与文献[2]相比,这种方案的优点是保证了对象参数关于时间已知时,跟踪误差趋于零。     

拟人智能控制及鲁棒LQ控制在倒立摆基准问题中的应用

分别应用拟人智能控制策略解决倒立摆标称系统的控制和鲁棒LQ方法解决其鲁棒控制问题.拟人智能控制模仿人解决问题的归约思路,从物理角度出发分析被控系统并设计定性控制律.利用遗传算法良好的全局搜索收敛特点,对定性控制律中的参数进行优化搜索.当模型只存在结构化型不确定性且不确定性有界时,可通过求解一个Riccati方程来设计鲁棒LQ控制器.仿真结果表明给定的控制指标均得到满足,且控制律算法简单,实现比较方便.