机器人操作手的神经跟踪控制

针对机器人轨迹跟踪问题,提出了一种自适应神经控制器.该控制方案利用RBF神经网络自适应学习机器人系统的未知非线性动态,然后,通过一个基于滑模控制技术的补偿器消除网络逼近误差和外部干扰的影响.网络权重的自适应修正规则基于Lyapunov函数方法得到.这种新的控制器能够保证闭环系统的稳定性和跟踪误差的渐近收敛性.     

机器人操作手的神经跟踪控制

针对机器人轨迹跟踪问题，提出了一种自适应神经控制器，该控制方案利用RBF神经网络自适应学习机器人系统的未知非线性动态，然后，通过一个基于滑模控制技术的补偿器消除网络逼近误差和外部干扰的影响，网络权重的自适应修正规则基于Lyapunov函数方法得到，这种新的控制器能够保证闭环系统的稳定性和跟踪误差的渐近收敛性。     

基于单隐层神经网络的空天飞行器鲁棒自适应轨迹线性化控制

研究了一种新的空天飞行器鲁棒自适应轨迹线性化飞行控制系统设计方案。利用单隐层神经网络的逼近能力在线估计系统中存在的不确定性，神经网络输出用以抵消不确定性对轨迹线性化方法控制性能的影响。鲁棒自适应控制器用以克服逼近误差，并使闭环系统具有更好的性能。严格的理论证明表明，给定的自适应调节律能够保证闭环系统跟踪误差最终收敛至任意小紧集。空天飞行器高超声速飞行条件下的仿真结果表明，即使在很恶劣的条件下，新方法仍然表现出很好的响应性能。     

基于RBF神经网络的火箭速度自适应控制

针对一类非线性不确定连续系统,提出了一种基于径向基(RBF)神经网络的模型参考自适应控制方案.控制器的非线性部分由RBF神经网络实现,根据系统输出与参考模型输出之间的误差调整神经网络的权值,以补偿系统中的非线性因素.引入权值学习误差的概念,以此为基础利用李雅普诺夫原理分析推导了网络权值的调整规律,并证明了系统的稳定性.在单级火箭速度控制中应用该方案进行了设计,仿真结果表明,火箭速度3s后即能完全跟踪参考模型的输出; RBF神经网络在2s后即能逼近非线性项,网络权值收敛.     

基于BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明：相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。     

飞行器航迹控制的神经网络方案

针对用动态逆方法设计飞行器轨迹控制系统所遇到的完全非线性问题，提出了一种以神经网络为核心的解决方案，其中用一个前向神经网络逼近完全非线性的近似逆；非在分析了系统误差的基础上，用一个适应动态神经网络代偿系统的近似逆误差和前向神经网络的映射误差。文中给出了前向神经网络的拓朴结构及动态神经网络的自适应修正律，仿结果表明该方案具有良好的指令跟踪能力。     

基于免疫遗传模糊神经滑模的地面作战机器人轨迹跟踪控制

提出了一种基于运动学与动力学模型的免疫遗传模糊神经滑模混合控制器用于地面作战机器人的控制。算法中利用径向基神经网络逼近滑模控制的等效部分,并通过免疫遗传算法对径向基神经网络参数进行了优化,滑模控制的增益通过模糊控制策略进行了调节。利用该算法对圆形轨迹进行了跟踪控制仿真及试验分析,与传统的滑模控制相比,该算法能够有效克服系统的不确定性因素的影响,有效抑制了滑模控制中抖振现象,系统的动态轨迹跟踪性能得到了优化。     

基于H2/H∞理论的BTT导弹模糊神经网络自适应控制

针对不确定非线性BTT导弹控制系统,提出了一种基于模糊高斯基神经网络控制设计方法.在设计过程中将干扰项和模型不确定项合为一项,应用模糊神经网络的逼近性质来逼近系统的不确定项,然后利用H2/H∞理论来削弱逼近误差和外部的扰动,通过确定适当的价值函数从而推导出自适应律.最后通过对BTT导弹的六自由度仿真验证该方法的有效性.     

基于H2/H□理论的BTT导弹模糊神经网络自适应控制

针对不确定非线性BTT导弹控制系统,提出了一种基于模糊高斯基神经网络控制设计方法。在设计过程中将干扰项和模型不确定项合为一项,应用模糊神经网络的逼近性质来逼近系统的不确定项,然后利用H2/H□理论来削弱逼近误差和外部的扰动,通过确定适当的价值函数从而推导出自适应律。最后通过对BTT导弹的六自由度仿真验证该方法的有效性。     

无人炮塔火力线跟踪神经滑模控制

针对无人炮塔火力线跟踪动力系统中存在的火力瞄准机构运动使系统动力参数摄动和火炮射击时冲击使系统输入存在外部干扰问题,提出了一种神经滑模控制策略。采用非奇异终端滑模面保证系统状态能够在有限时间内到达滑模面和平衡点;采用径向基函数神经网络自适应地补偿系统摄动和冲击干扰,保证滑模控制在滑模面的运动。应用李亚普诺夫稳定性判据证明了控制器稳定性和火力线跟踪误差收敛性。仿真结果表明,通过神经网络的在线学习实现了火力线位置精确和鲁棒跟踪,并充分抑制了滑模控制中的抖振现象。该方法是有效的。针对无人炮塔火力线跟踪动力系统中存在的火力瞄准机构运动使系统动力参数摄动和火炮射击时冲击使系统输入存在外部干扰问题,提出了一种神经滑模控制策略。采用非奇异终端滑模面保证系统状态能够在有限时间内到达滑模面和平衡点;采用径向基函数神经网络自适应地补偿系统摄动和冲击干扰,保证滑模控制在滑模面的运动。应用李亚普诺夫稳定性判据证明了控制器稳定性和火力线跟踪误差收敛性。仿真结果表明,通过神经网络的在线学习实现了火力线位置精确和鲁棒跟踪,并充分抑制了滑模控制中的抖振现象。该方法是有效的。     

Design of Neural Network Variable Structure Reentry Control System for Reusable Launch Vehicle

A flight control system is designed for a reusable launch vehicle with aerodynamic control surfaces and reaction control system based on a variable-structure control and neural network theory.The control problems of coupling among the channels and the uncertainty of model parameters are solved by using the method.High precise and robust tracking of required attitude angles can be achieved in complicated air space.A mathematical model of reusable launch vehicle is presented first,and then a controller of flight system is presented.Base on the mathematical model,the controller is divided into two parts：variable-structure controller and neural network module which is used to modify the parameters of controller.This control system decouples the lateraldirectional tunnels well with a neural network sliding mode controller and provides a robust and de-coupled tracking for mission angle profiles.After this a control allocation algorithm is employed to allocate the torque moments to aerodynamic control surfaces and thrusters.The final simulation shows that the control system has a good accurate,robust and de-coupled tracking performance.The stable state error is less than 1°,and the overshoot is less than 5%.     

基于神经网络的 PMSM 分数阶积分滑模控制

为了提高永磁同步电机调速控制性能,在分数阶积分滑模控制策略的基础上,设计一种基于神经网络的 变阶次分数阶积分滑模控制策略。利用分数阶积分随时间缓慢衰减的特性来增强系统的鲁棒性,通过指数趋近律削 弱滑模面的抖振现象,分析了分数阶阶次对系统动态性能的影响,引入 RBF 神经网络对滑模面函数中的分数阶积分 阶次进行动态调节,提高了系统的综合性能。仿真结果表明：与固定阶次的分数阶积分滑模控制相比,该控制方法 有利于取得更好的动态跟踪性能和稳定精度。     

炮控系统电动负载模拟器神经网络滑模控制

为解决炮控系统电动负载模拟器存在多余力矩的问题,对其神经网络自适应滑模控制进行研究。结合滑 模控制器的特点,构建电动负载模拟器系统模型,通过滑模控制器对复杂非线性系统建立控制器,采用 RBF 神经网 络与滑模相结合的控制方法,利用 RBF 神经网络对系统摄动参数和未建模动态进行自适应逼近,可降低切换增益及 有效地抑制抖振,并对其进行仿真分析与验证。仿真结果表明：该控制策略具有较高的控制精度,且鲁棒性好,满 足系统的控制要求。     

基于模糊神经网络的BTT导弹自适应控制

针对不确定非线性BTT导弹控制系统,提出了一种基于模糊高斯基函数神经网络的自适应控制设计方法。在设计过程中将不确定部分合为一项,应用模糊神经网络的万能逼近性质来逼近系统不确定项,然后利用滑模控制和自适应模糊神经网络理论设计了控制器,应用Lyapunov稳定性理论保证闭环系统的稳定性,并推导出自适应律,最后通过仿真结果验证该方法的有效性。     

基于RBFSMC 的舰载武器随动系统控制策略

为解决舰载武器在海上射击时精度不高的问题,提出一种基于RBF 神经网络滑模控制策略。根据舰载武 器随动系统的工作原理,建立舰载武器随动系统数学模型,利用滑模在非线性控制中的优越性,采用RBF 神经网络 对系统的摄动参数进行自适应逼近,解决滑模在切换时产生的抖振问题,得出舰载武器随动系统位置控制器的控制 律。仿真结果表明：该控制策略能提高舰载武器随动系统的快速响应能力和动态精度,满足系统要求。     

双电机耦合驱动履带车辆自适应滑模转向控制

针对双电机耦合驱动履带车辆转向动力学模型具有多输入多输出(MIMO)、非线性且参数不确定的特点,对系统进行解耦,分解为车速控制系统和转向角速度控制系统。在车速控制系统中为实现车速跟踪误差的收敛,根据期望车速与当前速度信息,提出了鲁棒滑模变结构控制算法;在转向角速度控制系统中,提出了针对转向角速度的模糊滑模自适应控制算法。通过"驾驶员—控制器"在环的双电机耦合驱动履带车辆实时仿真系统,对控制算法进行了仿真实验验证,证明了该控制算法的有效性。