基于RBF神经网络的摩擦补偿建模与控制

机械系统摩擦的精确数学模型很难建立,因此,尝试采用RBF神经网络系统在线逼近摩擦模型并将辨识结果作为控制算法的补偿项。在控制方法上,采用了基于RBF神经网络系统补偿的PD算法。在系统证明上,从李雅普诺夫函数中导出了自适应参数并且分析了闭环系统跟踪误差的有界性。利用Matlab对提出的方法及证明的有效性进行了验证。     

随机时滞神经网络的全局指数稳定性

首先对一般随机系统的渐近特性进行了讨论.然后结合神经网络的特点,应用李雅普诺夫第二方法对一类随机时滞神经网络系统的全局指数稳定性进行了分析,给出了易于判定随机时滞神经网络几乎必然指数稳定性新的代数判据,并给出实例进行仿真实验.     

具有有界控制输入的状态反馈控制系统闭环稳定性

本文基于李雅普诺夫定理,给出了具有有界控制输入的离散时间系统和连续时间控制系统的闭环渐近稳定性判据。利用不考虑控制约束时闭环系统李雅普诺夫矩阵方程解,得出了当控制输入有界时,线性状态反馈控制系统为渐近稳定的充分条件。这些判据具有简单的形式,并且易于计算。     

基于扰动观测器的机器人自适应神经网络跟踪控制研究

为解决机器人动力学模型未知问题并提升系统鲁棒性,本文基于扰动观测器,考虑动力学模型未知的情况,设计了一种自适应神经网络（Neural network,NN）跟踪控制器.首先分析了机器人运动学和动力学模型,针对模型已知的情况,提出了刚体机械臂通用模型跟踪控制策略;在考虑动力学模型未知的情况下,利用径向基函数（Radial basis function,RBF）神经网络设计基于全状态反馈的自适应神经网络跟踪控制器,并通过设计扰动观测器补偿系统中的未知扰动.利用李雅普诺夫理论证明所提出的控制策略可以使闭环系统误差信号半全局一致有界（Semi-globally uniformly bounded,SGUB）,并通过选择合适的增益参数可以将跟踪误差收敛到零域.仿真结果证明所提出算法的有效性并且所提出的控制器在Baxter机器人平台上得到了实验验证.     

带有干扰观测器的线控转向系统复合自适应神经网络控制

考虑车辆线控转向(SbW)系统存在不确定动态特性以及外界干扰影响.本文提出一种带有干扰观测器的复合自适应神经网络实现SbW系统的精确建模与稳定控制.首先,利用神经网络在线逼近系统不确定动态,避免控制器设计中使用到系统模型的先验知识.然后,结合系统的跟踪误差与建模误差提出一种新的复合自适应学习率来更新神经网络的权值,从而...     

一类时滞神经网络的全局指数稳定性

利用M-矩阵和拓扑学等有关知识,通过构建向量李雅普诺夫函数,研究了一类包含分布时滞和可变时滞的神经网络的平衡点的存在性、唯一性及其全局指数稳定性。在没有假定激励函数有界、可微的情况下,得到了该类神经网络平衡点的存在性、唯一性及其在平衡点全局指数稳定的充分判据。该判据计算简便,且与时间滞后量无关,便于在实践中应用。文中给出了一个算例。     

基于脉冲耦合神经网络的混沌控制

根据脉冲耦合神经网络(PCNN)能产生混沌现象,研究了对配置混沌PCNN系统的李雅普诺夫指数使其稳定于期望点的方法。根据特定期望点的情况,按需要配置负的李雅普诺夫指数,产生不同的控制序列来改变混沌PCNN系统,达到稳定控制的要求。仿真和实验结果证明了该算法的有效性,实现了混沌PCNN系统从混沌状态到稳定期望点的控制。     

带输入饱和的双摆桥式起重机神经网络滑模控制

针对现代工业中输入饱和受限的双摆桥式起重机防摇摆控制问题,设计了一种基于神经网络的非奇异终端滑模控制器。首先,分析起重机的非线性动力学系统,并引入抗饱和模块将系统所需的控制力限制在驱动电机能提供的最大驱动力内;然后,采用部分状态信息反馈控制设计控制器,该控制器只需起重机小车位置、速度的反馈信息,无须实时测量吊重和摆角;之后,利用所提控制器跟踪经过规划的S形平滑函数,并用神经网络逼近起重机系统中复杂未知的非线性函数部分;最后,通过李雅普诺夫稳定性理论对系统状态的稳定性进行分析。仿真结果表明,所提控制器能在保证起重机小车准确定位的同时,有效抑制吊钩和重物的残余摆动,并且对外界干扰具有较强的鲁棒性。     

基于数据挖掘与系统理论建立摩擦模糊模型与控制补偿

建立机械摩擦力模型及其相应的控制补偿策略一直是人们所关注的问题. 由于摩擦力所固有的非线性及不确定特征, 用传统的数学建模与控制补偿方法难以达到满意的系统性能要求. 本文采用模糊建模技术逼近摩擦动力系统并将辨识结果用在前馈补偿控制器设计中. 模糊建模过程由以下3个部分组成: 首先采用数据挖掘技术辨识出模糊系统的模糊规则库, 然后利用该规则库建立模糊系统的静态模型, 最后以李雅普诺夫稳定性理论为基础进一步辨识出模糊系统的动态模型. 在控制器设计方面, 采用了自适应模糊系统前馈补偿的比例微分(Proportional-derivative, PD)算法. 运用李雅普诺夫稳定性分析证明了闭环系统跟踪误差的有界性. 数值仿真结果表明了该方法的有效性和实用性.     

不确定离散时滞中立神经网络鲁棒稳定性分析

针对一类具有离散时滞和参数范数有界的不确定性中立神经网络的全局渐近鲁棒稳定性问题,通过应用范数和矩阵不等式分析方法,构造合适的Lyapunov-Krasovskii泛函,得到了新的与时滞无关的稳定性充分条件。该条件能够保证离散时滞中立神经网络在平衡点全局渐近鲁棒稳定。与现有文献中大多数LMI形式的稳定性准则不同,该稳定性判定准则中未知参数少且计算复杂度低,易于计算验证。最后,一个仿真算例验证了结论的有效性。     

Using a New Model of Recurrent Neural Network for Control

This paper shows the results obtained in controlling a mobile robot by means of local recurrent neural networks based on a radial basis function (RBF) type architecture. The model used has a Finite Impulse Response (FIR) filter feeding back each neuron's output to its own input, while using another FIR filter as a synaptic connection. The network parameters (coefficients of both filters) are adjusted by means of the gradient descent technique, thus obtaining the stability conditions of the process. As a practical application the system has been successfully used for controlling a wheelchair, using an architecture made up by a neurocontroller and a neuroidentifier. The role of the latter, connected up in parallel with the wheelchair, is to propagate the control error to the neurocontroller, thus cutting down the control error in each working cycle.     

连续时间回归网络的稳定性分析

连续时间回归网络的稳定性分析张兰玲刘贺平孙一康（北京科技大学自动化系北京１０００８３）关键词连续回归神经网络,渐近稳定,绝对稳定．收稿日期１９９６－０９－２６１引言回归网络稳定性的分析大多是采用李亚普诺夫直接法［１］,这种方法的关键在于李亚普诺夫函数...     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

Robust Control of Uncertain Stochastic Recurrent Neural Networks with Time-varying Delay

In this paper, robust control of uncertain stochastic recurrent neural networks with time-varying delay is considered. A novel control method is given by using the Lyapunov functional method and linear matrix inequality (LMI) approach. Several delay-independent and delay-dependent sufficient conditions are then further derived to ensure the global asymptotical stability in mean square for the uncertain stochastic recurrent neural networks, and the estimation gains can also be obtained. Numerical examples are constructed to verify the theoretical analysis in this paper.     

基于递归神经网络的移动域控制方法

构造一种线性差分式Hopfield网络（LDHNN）,其稳定状态可使能量函数达到唯一极小值,利用该网络稳定性与其能量函数收敛特性的关系,提出了基于LDHNN的移动域控制方法,LDHNN的理论设计表明,网络的稳态输出即为移动域LQ控制问题的解,当系统满足一定条件时,基于LDHNN的移动域LQ控制能保证闭环最优控制系统的渐近稳定性．数字仿真取得了与理论分析一致的实验结果。     

一种改进的Eiman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素，提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测，进而求其收益率。实验模拟结果表明：将改进的Elman模型用于股市投资是可行的，有效的，具有一定的应用潜能，谊模型不仅可以明显提高网络的预测精度，达到快速收敛。而且还能够明显提高股民投资的利润率，实现较大幅度地获得收益的目的。     

一种改进的Elman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素,提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测,进而求其收益率。实验模拟结果表明:将改进的Elman模型用于股市投资是可行的,有效的,具有一定的应用潜能,该模型不仅可以明显提高网络的预测精度,达到快速收敛,而且还能够明显提高股民投资的利润率,实现较大幅度地获得收益的目的。     

离散时间反馈神经网络的渐近行为研究

Hopfield神经网络是一类应用非常成功的人工神经网络模型，它是研究这个反馈神经网络的基础．该文主要研究离散时间、连续状态的反馈神经网络，它是Hopfield神经网络的推广．众所周知，研究反馈神经网络的稳定性不仅被认为是神经网络最基本、最主要的问题之一，同时也是神经网络各种应用的基础．文中主要研究离散时间反馈神经网络的稳定性，给出了连接权矩阵非对称的并且输入-输出函数是一般的S-函数的新的渐近收敛性条件及相应的收敛性结论．所获结果不仅推广了一些已有的结论，而且为反馈神经网络的应用提供了一定的理论基础．     

Dynamic Analysis of Stochastic Recurrent Neural Networks

This paper addresses the issue of pth moment exponential stability of stochastic recurrent neural networks (SRNN) with time-varying interconnections and delays. With the help of the Dini derivative of the expectation of V(t, X(t)) “along” the solution X(t) of the model and the technique of Halanay-type inequality, some novel sufficient conditions on pth moment exponential stability of the trivial solution has been established. Conclusions of the development as presented in this paper have gone beyond some published results and are helpful to design stability of networks when stochastic noise is taken into consideration. An example is also given to illustrate the effectiveness of our results.     

结合模糊控制的时序数据预测循环神经网络

时序数据处理任务中,循环神经网络模型以及相关衍生模型有较好的性能,如长短期记忆模型(LSTM),门限循环单元(GRU)等.模型的记忆层能够保存每个时间步的信息,但是无法高效处理某些领域的时序数据中的非等时间间隔和不规律的数据波动,如金融数据.本文提出了一种基于模糊控制的新型门限循环单元(GRU-Fuzzy)来解决这些问...