任意初始状态下的学习控制

本文对线性时不变系统和一类非线性系统提出了一种新的学习控制方案,此方案包括两 种学习,即同时进行系统的输入和初始状态的学习.因此在学习开始时对系统的初始状态无 要求.仿真结果表明了这种方法的可行性.  

纯滞后系统的单神经元Smith预测控制

该文针对纯滞后的特点，给出了一种新的单神经元Smit预测控制算法，即由单神经元控制器和Smith预估器组合的复合控制，并将其应用于以电炉为被控对象的计算机湿度控制系统。实验结果表明，这种控制方式能够充分利用神经元自学习的能力及补偿控制的优点，具有较好的适应性和抗干扰能力。  

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。  

802.11无线局域网安全与应用研究

分析了WEP加密的原理及其缺陷,并详细讨论了当前802.11无线局域网安全措施与技术.最后提出一种企业级应用方案.  

战车稳定器最优滑动模态变结构控制仿真研究

该文为战车稳定器提供一种有实用价值的现代设计方法 ,文中的滑动模态变结构控制在趋近段也具有鲁棒性。在变结构控制中采用观测器可有效地消除系统未建模动态在输出中引起的振荡或抖振 ,是一种可供广泛应用的设计方法  

基于RBF网络自整定PID控制的应用研究

经典PID的控制参数难以精确整定，且依赖于对象的数学模型，故自适应性较差，很难适应具有非线性、时变不确定性的被控对象，控制精度难以保证。该文对纯滞后工业对象提出了一种基于RBF神经网络PID参数自整定的控制方法，采用将RLS算法和梯度法相融合的新型学习算法，并将这种控制方法与PID控制器相结合应用于纯滞后工业对象中，克服了不确定性对控制对象性能的不利影响，解决了传统PID控制鲁棒性差，及需要预先知道受控对象精确数学模型的问题。仿真结果表明了该方法的鲁棒性和跟踪性能均优于传统PID控制方法。  

基于神经网络补偿的非线性时滞系统时滞正反馈控制

A new adaptive time-delay positive feedback con- troller(ATPFC)is presented for a class of nonlinear time-delay systems.The proposed control scheme consists of a neural networks-based identification and a time-delay positive feedback controller.Two high-order neural networks(HONN)incorpo- rated with a special dynamic identification model are employed to identify the nonlinear system.Based on the identified model, local linearization compensation is used to deal with the un- known nonlinearity of the system.A time-delay-free inverse model of the linearized system and a desired reference model are utilized to constitute the feedback controller,which can lead the system output to track the trajectory of a reference model. Rigorous stability analysis for both the identification and the tracking error of the closed-loop control system is provided by means of Lyapunov stability criterion.Simulation results are in- cluded to demonstrate the effectiveness of the proposed scheme.  

基于神经网络的机器人轨迹跟踪控制

针对机器人模型未知情况，讨论了用神经网络和反馈控制实现机械手的跟踪控制。提出一种基于参考误差的投影算法来训练网络权值，训练后网络输出能逼近期望的前馈力矩，并从理论上证明跟踪误差的收敛性。仿真结果表明方案具有较好的跟踪性能和较强的抗干扰能力。  

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。  

非线性系统的回归网络辨识

针对未知非线性系统的辨识问题，本文提出了一种新型的回归网络模型，证明了该网络模型在一定条件下能够逼近非线性系统的输入输出关系，提出了训练网络前向连接和反向连接权值的动态反向传播算法，伪真结果验证该方法的有效性。