神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

一类不确定非线性离散系统的模糊自适应控制器设计

针对一类不确定非线性离散系统,提出一种带有自动可调伸缩因子的模糊自适应控制方法.该控制器设计方法的优点是模糊逻辑系统的逼近精度不再依赖于模糊逻辑系统的结构和规则数目,参数自适应律调节与被逼近函数的特征和逼近精度有关,因此能有效减少在线估计的参数数目,且设计方法能够保证闭环系统的所有状态半全局一致终极有界.最后,通过数值仿真算例表明所提出方法的有效性.     

纯反馈非线性离散系统的自适应神经网络控制

针对一类未知的纯反馈非线性离散系统,提出了基于反步法设计的自适应神经网络控制方法.为避免反步法设计中可能出现的因果矛盾问题,首先将系统进行等价变换,然后利用隐函数定理证实了理想虚拟控制输入和实际控制输入的存在性.利用高阶神经网络估计这些控制量,并基于反步法设计自适应神经网络控制系统,证明了闭环系统半全局一致最终有界.仿真结果验证了所提出方法的有效性.     

不确定非线性系统的直接自适应神经网络控制

为解决一类带干扰的不确定非线性系统中存在的两类未知项——未知函数和外界干扰,采用了直接自适应神经网络控制方法设计控制器。控制器设计中利用径向基函数神经网络良好的逼近性来近似未知函数,利用非线性衰减项来抑制干扰。所用方法结构简单、算法简洁,在一定条件下稳定性和收敛性能定性地得到保证。最后,仿真结果证明了该方法是正确的。     

不确定非线性系统神经网络自适应控制

针对一类不确定非线性系统,利用神经网络可逼近任意非线性函数的能力,以及误差滤波理论,提出了一种基于径向基神经网络的自适应控制器设计方案,以使非线性系统在存在不确定项或受到未知干扰时,其输出为期望输出.根据Lyapunov理论,给出了系统稳定的充分条件,并进行了详细证明.该设计方法能够保证跟踪误差收敛,从而进一步说明该控制器的有效性.最后,用Sumulink对设计方案进行仿真,仿真结果表明了其实用性.     

不确定时滞系统的模糊神经网络自适应PID控制

对于不确定时滞对象,提出了一种模糊神经网络自适应调整PID参数的控制方法,利用模糊逻辑实现了模糊化,利用多层BP神经网络来实现模糊推理。该网络通过学习并记忆PID参数调整规则,实现了在线调整PID参数。通过对一类不确定时滞系统的仿真,验证了该方法具有较好的控制效果。     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.     

一类不确定非线性系统反步自适应神经网络控制研究

针对合有高阶不确定扰动项且不可参数线性化的一类非线性系统,采用反步递推方法设计基于多层神经网络的自适应控制器,多层神经网络可较好地逼近非线性系统,其权值能在系统先验知识不多的情况下在线调整,给出了神经网络Lyapunov意义下稳定的在线自适应律,在设计控制器的过程中,采用类加权形式Lyapunov函数,使得控制器能有效处理自适应控制奇异性问题,仿真结果表明,该控制器对系统参数的不确定性和有界干扰具有一定的鲁棒性,并能保证闭环系统全局稳定。     

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.     

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.     

基于自适应神经网络的不确定混沌系统控制

针对不确定非线性混沌系统,提出一种基于动态神经网络建模的控制新方法.基于Lyapunov稳定性理论,推导出了神经网络权值在线学习规律,保证了系统的全局稳定性.在混沌建模阶段,神经网络用于学习不确定混沌系统,然后在所建模型的基础上,设计控制器将混沌状态引导到期望目标位置;并且对系统的稳定性能进行了严格的数学分析.把该方法应用到Logistic映射和Hénon 映射建模和控制,数值仿真表明该方法的有效性.     

参数不确定非线性系统的自适应控制和鲁棒控制

研究一类参数不确定非线性系统的非自适应鲁棒控制及自适应控制问题。通过引入二人零和对策得到非自适应鲁棒控制律，并与参数估计结合得到自适应控制律。证明了参数估计有界和收敛时闭环系统Ｌｙａｐｕｎｏｖ稳定性和渐近稳定性。仿真结果说明了该方法的有效性及具体实现方法。     

Globally Stable Adaptive Tracking Control for Uncertain Strict‐Feedback Systems Based on Neural Network Approximation

This paper addresses the problem of globally stable adaptive neural tracking control for a class of strict‐feedback nonlinear systems. Compared with the existing works, the salient properties of the proposed scheme are given as follows. First, a novel switching controller is developed, which consists of a traditional adaptive neural controller and an extra robust controller to pull back the transient outside of the approximation domain. Second, only two adaptive parameters need to be tuned online, and the computational burden is considerably alleviated in practice. Third, to design the desired switching controller via the backstepping technique, a novel switching function, which has continuous derivatives up to the nth order, is constructed. It is shown that the system output converges to a small neighborhood of the reference signal and the closed‐loop system is globally stable. Finally, an example is provided to verify the effectiveness of the proposed control method.     

不确定参数下离散混沌系统的开闭环控制

在很多实际环境中,系统模型参数经常是不确定的,使离散混沌系统的控制策略可能不再有效。当参数不能直接观测时,开闭环控制方案将由于不精确的系统模型而失效。针对这个问题,提出了参数自适应开闲环控制策略来控制不确定参数的离散混沌系统。对开闲环控制在不确定参数条件下,参数变化满足控制需要的条件进行了讨论。同时,提出了参数自适应开闲环控制,将原有的开闭环控制推广到更大的范围。从Henon系统的仿真中,参数自适应开闲环控制策略显示了良好的抗扰动特性。     

一种鲁棒神经网络自适应控制策略及其应用

针对具有外部干扰等不确定因素的离散未知非线性受控对象,提出了一种鲁棒神经网络自适应控制策略.该策略运用自适应预测及带遗忘因子的递推最小二乘参数估计的思想,对神经网络的预报输出进行修正,利用鲁棒反馈控制器保证系统稳定性,并对控制信号的增量进行限幅以抑制突变大幅值干扰信号对系统的影响.将提出的控制方法应用于实验室级液面系统的仿真中,结果表明了该控制策略的有效性.     

基于DSP的自适应神经元网络控制系统的研究

某大型设备的液压系统在工作中需要一定的油压对其进行支撑,所以要保证油压根据要求维持在某一稳定值。针对于此,研究并设计了一个基于DSP的自适应神经元网络控制系统,通过该控制算法可以调整油泵电机的频率使得油压达到要求的稳定值。由于该液压控制系统在实际运行中油压值会出现波动,因此调节的快速性和稳定性是本控制系统的关键。该控制算法经由现场采样和实验的仿真测试,证实了其有效性。     

非线性系统的神经网络鲁棒自适应跟踪控制

针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统,提出了一种神经网络鲁棒自适应输出跟踪控制方法.用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

采用动态神经网络的多模型自适应重构控制方法

针对复杂的系统,提出一种基于多模型结构的自适应重构控制方法,使得系统可以在不同的运行环境下跟踪给定的信号,并且对特定的故障情况具有控制重构的能力;首先,由多个线性模型和一个模糊模型构成多模型控制结构,并设计多模型自适应控制器的权值调整规则,以获得当前最佳的控制输入,再引入动态自适应神经网络以保证系统的稳定性,并避免模型切换等噪声干扰;最后,对某型歼击机进行正常和故障状态下的控制仿真,结果表明所提重构控制方法是可行有效的。     

An Iterative Learning Control of Nonlinear Systems Using Neural Network Design

In this paper, a feedforward neural network with sigmoid hidden units is used to design a neural network based iterative learning controller for nonlinear systems with state dependent input gains. No prior offline training phase is necessary, and only a single neural network is employed. All the weights of the neurons are tuned during the iteration process in order to achieve the desired learning performance. The adaptive laws for the weights of neurons and the analysis of learning performance are determined via Lyapunov‐like analysis. A projection learning algorithm is used to prevent drifting of weights. It is shown that the tracking error vector will asymptotically converges to zero as the iteration goes to infinity, and the all adjustable parameters as well as internal signals remain bounded.