基于自适应逆的鲁棒容错飞行控制方法研究

研究飞行安全控制问题,可采用动态逆与神经网络模型参考自适应控制理论相结合,对飞机纵向自适应鲁棒容错飞行控制律进行设计,同时采用改进的粒子群算法优化神经网络参数,提高了自适应算法的效率.控制策略采用内-外环的控制结构,内控制回路以逆控制消除系统的非线性性和输出耦合;外控制回路基于模型参考自适应控制的思想,利用改进粒子群优化的神经网络设计前向自适应控制器,以消除逆控制的建模误差和对参数变化敏感的缺点,可使系统获得较好的动态性能和较强的鲁棒性.仿真结果表明采用的自适应鲁棒容错飞行控制方法有效抑制了操纵面故障,消除了对飞行任务的不良影响,保证了安全性能.     

基于动态神经网络的鲁棒自适应跟踪

研究了一类基于两层动态神经网的仿射型鲁棒适应跟踪问题，对于未知的仿射非线性系统，提出了新的鲁棒学习算法，该算法不需要知道 理想权值的界。     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

基于神经网络逆控制的自适应控制器设计

根据系统非线性,参数不确定性和时变性等特点,提出一种基于神经网络逆控制方法,并介绍其结构和特点,通过仿真实验表明此结构的有效性。     

基于动态神经网络的鲁棒直接自适应控制

对未知仿射系统提出了用动态神经网实现鲁棒直接自适应的控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习，闭环系统被证明鲁棒稳定的，此方法不需要离热学习阶段也不要求初始的参数误差足够小。     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

未知离散非线性系统的鲁棒自适应NN控制

利用WNN(小波神经网络)逼近未知函数，将未知离散非线性系统转化为一类参数化严格反馈系统，进而对变换后的系统给出一个避免过参数化的自适应反推控制器，并证明该控制器可保证在存在参数不确定性和函数不确定性的条件下，整个自适应系统的状态全局有界，同时也可保证系统的跟踪误差落在一个大小与不确定性成比例的紧集中，仿真结果表明该控制器具有较强的鲁棒性，可适用于不同的对象。     

基于动态递归网的无刷直流电动机自适应逆控制

该文给出了基于动态递归神经网络的无刷直流电动机自适应逆控制方案 ,它可以处理电机非线性、变参数的影响。通过使用动态递归网实现了对象逆动态模型的在线控制 ,分析和仿真表明这种方法具有较好的自适应性及良好的收敛性能 ,且具有灵活、简单、方便等特点 ,有实际应用价值     

基于神经网络的模型跟随鲁棒自适应控制

针对一类复杂非线性动力学系统,提出一种基于神经网络动态补偿的模型跟随非线性鲁棒自适应控制策略.采用神经网络在线补偿控制器以克服系统的未建模动力学和非线性耦合因素的影响,从而提高了模型跟随控制的动态性能和稳态精度;当系统存在模型不确定性和外部扰动时,其输出仍能精确地跟踪期望参考模型的输出.同时给出了闭环误差系统鲁棒稳定性的证明.应用示例表明,所提方法可保证闭环系统具有良好的跟踪性能和鲁棒性,且算法简单,易于在线控制.     

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。     

基于非线性L1自适应动态逆的飞行器姿态角控制

钊对常规动态逆控制器不能有效抵消系统中的不确定性这一缺点,提出了一种非线性L_1自适应动态逆控制方法.该方法能够克服常规动态逆的不足,在保证系统鲁棒性的前提下,提升飞行器姿态角控制效果.首先,采用时标分离原理,将姿态角控制系统分为内外两个回路:外回路采用常规动态逆控制器,用于姿态角的跟踪控制;内回路采用非线性L_1自适应控制器,用于角速率的控制.其中,L_1自适应控制器由静态反馈控制器和自适应控制器组成:静态反馈控制器通过状态反馈实现,用于保证内回路的稳定和具有期望的闭环特性;自适应控制器由状态观测器、自适应律和控制律组成,用于抵消系统中的不确定性.其次,对所提控制方法的稳定性进行了分析,结果证明了该控制方法能够保证内回路的稳定和外回路的误差有界.最后,在综合考虑多种不确定性的情况下,将本文提出的非线性L_1自适应动态逆控制方法用于某无人飞行器姿态角控制,仿真结果验证了该控制方法的有效性和鲁棒性.     

充液航天器姿态的自适应非线性动态逆控制

讨论了充液航天器大角度姿态机动自适应非线性动态逆控制设计.推导了航天器-液体晃动耦合系统动力学方程.采用单摆等效力学模型对液体燃料晃动进行动力学建模.由于充液航天器控制系统的强耦合非线性,故采用神经网络构造系统的自适应非线性动态逆控制器.通过实际算例对该控制器的跟综性能进行了测试,结果证明该自适应非线性动态逆控制器在包...     

基于反步法的高超音速飞机纵向逆飞行控制

针对高超音速飞机纵向运动的数学模型具有严重非线性、不稳定、多变量耦合以及不确定的气动参数等特点,采用非线性动态逆控制与反步法相结合的方法为其设计飞行控制系统．该系统以非线性动态逆控制作为控制内环,通过将非线性的多输入多输出系统进行精确线性化,解除了多变量之间的强耦合关系;并以反步法作为控制外环．保证系统的全局稳定以及抑制不确定参数的扰动．仿真研究表明．所提出的控制方法可以确保高超音速飞机的纵向稳定性．改善其飞行品质．     

基于动态结构自适应神经网络的不确定时滞系统跟踪控制

针对一类不确定时滞非线性系统,提出一种自适应跟踪控制器.首先采用Lyapunov-Krasovskii函数设计时滞补偿器,并构造其中的参数调节规律.再针对建模误筹及小确定非线性,引入动态结构自适应神经网络,其隐层神经元个数可以随着跟踪误差的增大而在线增加,以提高逼近精度.最后,用仿真示例表明本文所提方法是有效的.     

基于DFNN的动态矩阵网络控制系统的应用研究

针对网络控制系统中的随机时延,提出一种基于动态模糊神经网络的动态矩阵网络控制系统。利用动态模糊神经网络的特点,提高系统动态响应性能。在以太网的网络环境下,通过实验仿真结果表明,该方法响应快,提高了系统的跟踪精度,具有更理想的控制效果。     

基于神经网络干扰观测器的动态逆飞行控制

对新一代歼击机提出了基于神经网络干扰观测器的动态逆飞行控制器设计方案.首先采用RBF神经网络设计干扰观测器,使其输出能够逼近动态逆误差;然后基于干扰观测器的输出设计动态逆飞行控制系统,该系统能克服动态逆误差对飞行控制带来的不利影响;最后将所设计的飞行控制系统用于新一代歼击机的机动飞行仿真,仿真结果表明该飞行控制系统是有效的.     

基于评价网络近似误差的自适应动态规划优化控制

为了求解有限时域最优控制问题,自适应动态规划(ADP)算法要求受控系统能一步控制到零。针对不能一步控制到零的非线性系统,提出一种改进的ADP算法,其初始代价函数由任意的有限时间容许序列构造。推导了算法的迭代过程并证明了算法的收敛性。当考虑评价网络的近似误差并满足假设条件时,迭代代价函数将收敛到最优代价函数的有界邻域。仿真例子验证了所提出方法的有效性。     

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.     

非脆弱递归滑模动态面自适应神经网络控制

针对一类非匹配不确定非线性系统的跟踪控制问题, 提出了一种递归滑模动态面自适应控制算法. 采用神经网络(neural network, NN)在线逼近系统不确定项, 通过设计递归滑模动态面有效综合反推步骤中每步跟踪误差之间相互影响和制约的关系. 该方法避免了反推法存在的“微分爆炸”问题, 克服了传统动态面方法对其低通滤波器时间常数和神经网络自适应参数摄动脆弱的缺点. 稳定性分析证明了该方法能够保证闭环系统所有状态半全局一致最终有界, 且跟踪误差可以收敛至原点的任意小邻域.     

高超声速飞行器的神经网络动态逆控制研究

针对通用的高超声速飞行器的纵向动力学设计一个神经网络动态逆补偿控制方法,并对其进行了分析;这种飞行器模型具有高度非线性、多变量、不稳定的特性,包括6个不确定参数;在4.5903km高度和15马赫的平衡巡航条件下的仿真研究,评价了飞行器对高度和空速的阶跃变化的响应;阶跃变化为速度30 m/s,高度40 m;通过仿真结果表明,采用神经网络补偿逆误差,弥补了非线性动态逆要求精确数学模型的缺点,而且可以简化动态逆控制律的设计,改善整个控制系统的性能。