非线性系统的多神经网络自学习控制

本文提出了一种未知非线性动力学系统的多网络自学习控制方法。通过对系统的神经元网络辨识器和神经元网络控制器的有机结合，发展了基于逆动力学辨识器的控制网络广义Ｄｅｌｔａ学习规则，从而使得整个控制系统具有很强的自、自学习能力。文中最后通过对系统进行的仿真研究证实了这种控制结构的有效性，仿真例子说明经过１００个周期学习后，其系统的跟踪误差控制在１％以内。     

非线性系统的再励学习控制研究

研究了一种带有的CMAC神经网络的再励学习（RL）控制方法,以解决具有高度非线性的系统控制问题。研究的重点在于算法的简化以及具有连续输出的函数学习上。控制策略由两部分构成;再励学习控制器和固定增益常规控制器。前者用于学习系统的非线性,后者用于稳定系统。仿真结果表明,所提出的控制策略不仅是有效的,而且具有很高的控制精度。     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

基于神经网络的非线性学习控制研究

本文将多层前向传递神经网络应用于非线性系统控制,通过对神经网络的训练,实现非线性系统的状态反馈控制。本文还介绍了用神经网络控制一类非线性系统的学习控制算法,该算法对对象的数学模型依赖程度较低,为非线性系统的学习控制提供了一种有效的研究方法。另外还给出了该算法应用于几个不同非线性对象的学习控制仿真结果。     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制，将神经网络引入迭代学习控制中。学习控制与自适应控制相结合，使得对网络权值的学习和跟踪控制同时进行，克服 了经典迭代学习控制的一些缺陷。基于Lyapunov直接方法，证明了整个控制系统的稳定并实现了任意精度的跟踪。实例仿真结果说明了算法 的有效性及其所具有的优点。     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法较基于静态神经网络的自适应方法具有更好的性能.     

基于神经网络的非线性系统稳定自适应控制

本文针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统 ,提出了一种基于神经网络的稳定自适应输出跟踪控制方法 .用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

一类非最小相位非线性系统的神经网络自适应控制策略

针对一类非最小相位非线性系统，基于线性化和前馈补偿的思想，提出了神经自适应控制算法。得到了前馈控制律的闭环稳定性分析，并给出仿真结果。     

一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

基于神经网络的一类非线性系统自适应输出跟踪

针对一类未知非线性系统,提出了一种输出反馈控制方法.首先,在假设系统状态已知情况下设计状态反馈控制器,实现跟踪性能;然后,在系统状态不完全可测的情况下,通过设计高增益观测器对系统的状态进行估计,实现输出反馈控制器设计,证明了所设计的输出反馈控制器可以获得状态反馈控制器的性能.     

基于动态神经网络的非线性系统鲁棒观测器设计

基于动态神经对一类不确定非线性系统提出一种新的鲁棒观测器。其中无离线学习、持续激励和输出匹配条件等要求。仿真说明所提方法的有效性。     

基于神经网络的非线性系统故障检测及容错控制方法

利用神经网络的非线性建模能力，提出了一种非线性系统的故障检测及容错控制方法。在本方法中，首先应用神经网络设计故障估计器，在线估计系统故障向量，实现故障检测；在此基础上，引入补偿控制器，消除故障对系统运行的影响，从而实现容错控制。同时基于Ｌｙａｐｕｎｏｖ方法进行了稳定性分析。     

基于神经网络的酵母流加发酵过程最优重复控制新方法

本文提出了基于神经网络的酵母流加发酵过程最优重复控制的两种新方法,方法1 采用状态反馈控制律,用误差反传法学习过程和控制器神经网络参数。方法2 采用直接最优控制律,用误差反传法学习过程神经网络参数和控制作用,两种方法都具有很强的自适应能力,在控制方案实施时,采用了动态重复控制方式,使得本文控制方法具有类似于预测控制的优点,鲁棒性好,将其用于醇母流加发酵过程的优化控制,仿真结果令人满意,实验证明按最优流加轨线操作,可使产率提高26％,糖蜜消耗减少4％,本文方法为那些用传统方法难以建模的生化过程的优化控制提供了一条新途径。     

基于高次神经网络的一类非线性组合大系统的鲁棒控制器设计

对于一类非线性组合大系统,本文提出了基于 高次神经网络的一种新型控制器的设计方法．本文首先用高次神经网络逼近非线性组合大系 统中的互联项,然后基于高次神经网络设计一种新型控制器,这种设计方法不仅解决了大系 统中的最为复杂的互联项问题,较以往采用的办法在工程上易于实现．仿真结果表明了该方 法的有效性．