排序方式: 共有33条查询结果,搜索用时 62 毫秒
21.
22.
一类非线性系统的全局渐近稳定和有限时间镇定 总被引:1,自引:0,他引:1
针对一类全矩阵形式的非线性系统, 研究其全局稳定性及有限时间镇定问题. 首先, 全矩阵形式非线性系统被分成上三角形式和下三角形式非线性系统的加和, 并针对下三角形式非线性系统, 利用加幂积分方法, 自上而下地设计系统的全局稳定控制器; 其次, 在上面控制器作用下, 证明全矩阵形式系统在一个给定领域内是局部渐近稳定的; 最后, 运用自下而上的顺序, 一种嵌套饱和方法被用到上述控制器中, 通过调节饱和度, 使得闭环系统全局渐近稳定. 此外, 在适当的条件下, 可以得到全矩阵形式非线性系统的全局有限时间稳定性. 相似文献
23.
24.
近年来,随着地震、火灾、洪水等自然灾害的频繁发生,拥有先进自主飞行能力的旋转翼无人机系统(Rotorcraft Unmanned Aircraft System,RUAS)成为很多研究机构的研究焦点,它比固定翼无人机和有人驾驶的飞机更适合应用于这些复杂危险的环境中。首先从RUAS的发展现状、功能及分类简略的介绍RUAS。接着介绍近二十年RUAS在国内外的主要研究团队以及RUAS的自主度。RUAS的核心技术有制导、导航和控制(Guidance、Navigation、Control,GNC)三方面,是相关研究机构的主要研究内容,列举了一些RUAS研究领域中在GNC研究方向具有代表性的文章来进行说明。主要目的是对RUAS进行综合的调查尤其是对RUAS在飞行测试中的常用方法和技术进行描述和总结。最后提出RUAS在发展过程中需要解决的关键技术问题以及RUAS的发展趋势。 相似文献
25.
无人艇是一类在水面自主移动的智能船艇, 具有无人自主, 航速高, 欠驱动的特点, 能应用到民用和军事的诸多领域. 针对欠驱动无人艇的路径跟踪问题, 本文在传统视线法制导律的基础上, 首次提出了一种新的固定时间收敛的预测器, 用于预测位置误差, 实现对干扰的估计和补偿. 与基于有限时间收敛的预测器的制导律相比, 固定时间预测器收敛时间不依赖于初始状态, 可以更快收敛. 此外, 为了保证跟踪控制器的有效收敛, 还设计了固定时间控制器, 将无人艇尾部的方向舵力矩作为控制器, 使无人艇航向角在固定时间收敛到期望艏向角. 最后通过仿真实验证明本文所提出的制导律和控制器能精确跟踪给定路径. 相似文献
26.
针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。 相似文献
27.
基于扰动观测器的机器人自适应神经网络跟踪控制研究 总被引:1,自引:0,他引:1
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. 相似文献
28.
29.
基于线性投影的方法是目前人脸识别领域中重要的主流方法之一,在近年中得到了广泛的关注,取得了显著的发展。其中,基于一维线性投影的方法包括特征脸方法和Fisher脸方法等;基于二维线性投影的方法包括二维主成分分析和二维线性判别分析,以及它们的一系列拓展算法等。在此基础上,给出了一种基于二维矩阵的特征提取新方法。通过在ORL标准人脸库的实验表明,该算法与现有的方法相比在识别率和识别效率方面都有一定程度的提高,取得了比较理想的效果。 相似文献
30.
基于FCM聚类与SVM的电力系统短期负荷预测 总被引:4,自引:0,他引:4
分析了模糊C均值(FCM)聚类算法,介绍了支持向量机(SVM)回归的基本原理,提出了一种将FCM聚类算法和SVM结合使用的电力系统短期负荷预测方法。该方法考虑到电力负荷变化周期性的特点,通过对学习样本的聚类,选用同类特征数据作为模型的预测输入,然后对各个模型的输入数据进行归一化处理和分类识别,得出最后总的预测输出。此预测方法保证了数据特征的一致性以及算法的全局性,避免了算法陷入局部极小的缺陷。经过仿真实验,证明了该方法的有效性。 相似文献