机械手的神经网络稳定自适应控制

本文针对机械手轨迹跟随控制问题，提出了一种稳定的神经网络自适应控制器设计方法，这里机械的非线性动力学假设是未知的，提出方法是神经网络方法和扇区自适应变结构控制方法的集成，扇区变结构控制的作用有两个，其一是在系统神经网络控制失灵的情形下提供闭环系统的全局稳定性；其二是在神经网络的近似域内改进系统的跟随性能，本文采用李雅普诺夫稳定理论给出了的稳定性和跟随误差收敛性的证明，并且通过数字仿真验证了提出方法     

基于线性化反馈的径向神经滑模控制器设计

针对非线性系统,采用径向神经网络逼近及自适应控制方法,利用线性化反馈技术,设计一种自适应神经滑模控制器。滑模变结构控制具有独特的鲁棒性能以及对匹配不确定性和外干扰的完全自适应等特点,但容易出现系统抖振问题,将神经网络应用于滑模变结构控制系统的设计中,系统抖振得到抑制。仿真结果也表明将神经网络与滑模控制相结合的方法是行之有效的。     

一类动态递归神经网络的智能控制器

提出一种改进型动态递归神经网络的自适应控制方法，研究了动态递归网络的学习算法，分析了学习算法的收敛性，并推导了保证算法收敛的有效学习率范围，在此基础上提出了模糊推理自适应学习率方法。计算机仿真实验表明，本文控制方法对于未知、非线性被控对象的控制是有效的。     

Robust Backstepping Control of Robotic Systems Using Neural Networks

Neural network (NN) controllers for the robust back stepping control of robotic systems in both continuous and discrete-time are presented. Control action is employed to achieve tracking performance for unknown nonlinear system. Tuning methods are derived for the NN based on delta rule. Novel weight tuning algorithms for the NN are obtained that are similar to -modification in the case of continuous-time adaptive control. Uniform ultimate boundedness of the tracking error and the weight estimates are presented without using the persistency of excitation (PE) condition. Certainty equivalence is not used and regression matrix is not computed. No learning phase is needed for the NN and initialization of the network weights is straightforward. Simulation results justify the theoretical conclusions.     

基于神经网络的动态系统逆模型辨识及闭环控制

本文提出一种动态线性或非线性系统的神经网络逆模型辨识结构，并引出两种ＰＩＤ与神经网络逆模型相结合的自适应控制方案，神经网络模型采用基于Ｕ－Ｄ分解卡尔曼滤波学习算法（ＵＤＫ）的动态前向多层网、仿真结果表明了所述辨识方案的有效性及特点 。     

Design of a Robust Adaptive Neural Tracking Controller

A robust neural tracking controller is designed based on the conic sector theory. An adaptive dead zone scheme is employed to enhance robustness of the system. The proposed algorithm does not require knowledge of either the upper bound of disturbance or the bound on the norm of the estimate parameter. A complete convergence proof is provided based on the sector theory to deal with the nonlinear system. Simulation results are presented to control a two-link direct drive robot and show the performance of the tracking controller.     

基于神经网络的多模态控制器设计

基于神经网络所具有的定性推理和定量数值并行计算能力,以及学习记忆能力,集成非线性 多个特征模型和控制器,实现了控制系统的多模智能控制,该方法充分结构的定性知识和定量数学描述信息,实现了参数大范围变化时变系统的良好控制,最后用该方法对某型激光制导炸弹设计了一多模态控制器,仿真结果表明了该方法的优良性能。     

基于神经网络的两步预测自适应控制器及其应用

设计了基于神经元网络的两步预测自适应控制器.这种控制方法在线运算量较少,并且能很好地控制复杂的非线性系统.仿真结果验证了这种方法的有效性.     

自适应模糊神经网络控制器设计的线性化方法

基于Ｔ－Ｓ模糊推理系统模型构造一个简化形式的Ｆｕｚｚｙ神经网络（ＦＮＮ），应用Ｓｔｏｎｅ－Ｗｅｉｅｒｓｔｒａｓｓ逼近定理证明了这种ＦＮＮ网络对非线性连续函数的全局逼近性质，并利用Ｃｌａｒｋｅ一步加权最优预报控制性能指标及前向ＦＮＮ网络辨识器模型的线性化思想，提出一种间接Ｆｕｚｚｙ神经网络自适应控制算法，仿真结果证实了该算法的有效性。     

Optimal Process Control Using Neural Networks

Infinite time optimal controllers have been designed for a dispersion type tubular reactor model by using the framework of adaptive critic optimal control design. For the reactor control problem, which is governed by two coupled nonlinear partial differential equations, an optimal controller synthesis is presented through two sets of neural networks. One set of neural networks captures the relationship between the states and the control, whereas the other set of networks captures the relationship between the states and the costates. This innovative approach embeds the solutions to the optimal control problem for a large number of initial conditions in the domain of interest. Although the main aim of this paper is to solve a process control problem, the methodology presented here can be viewed as a practical computational tool for many problems associated with nonlinear distributed parameter systems. Numerical results demonstrate the viability of the proposed method.     

基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

非线性系统神经网络稳定自适应控制器的研究

提出一种利用神经网络逼近具有不确定性及随机干扰的仿射非线性系统新算法，采用自适应控制率在线调节网络权值，基于Ｈ∞控制选择控制量以削减噪声干扰，并从理论上证明了采用该算法后系统的全局稳定性。将该算法用于气动系统位置跟踪，仿真结果表明该算法具有跟踪精度高，收敛速度快的优点。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

Robust Adaptive Dead Zone Technology for Fault-Tolerant Control of Robot Manipulators Using Neural Networks

In this paper, a multi-layered feed-forward neural network is trained on-line by robust adaptive dead zone scheme to identify simulated faults occurring in the robot system and reconfigure the control law to prevent the tracking performance from deteriorating in the presence of system uncertainty. Consider the fact that system uncertainty can not be known a priori, the proposed robust adaptive dead zone scheme can estimate the upper bound of system uncertainty on line to ensure convergence of the training algorithm, in turn the stability of the control system. A discrete-time robust weight-tuning algorithm using the adaptive dead zone scheme is presented with a complete convergence proof. The effectiveness of the proposed methodology has been shown by simulations for a two-link robot manipulator.     

自适应B样条模糊神经网络控制器的设计

B样条具有最小局部支撑和易于实现的优点。文章利用多变量B样条网络在运算表达式上与模糊神经网络结构之间的对等关系,并通过对其权值的训练,设计出自适应B样条模糊神经网络控制器。应用于具有严重非线性摩擦力影响的速度跟踪系统的仿真实验表明,所设计的控制器完全等价于模糊神经网络控制器,同时在计算量和实现上具有明显的优势。     

Observer-Based Adaptive Controller Design of Flexible Manipulators Using Time-Delay Neuro-Fuzzy Networks

In this paper, a dynamical time-delay neuro-fuzzy controller is proposed for the adaptive control of a flexible manipulator. It is assumed that the robotic manipulator has only joint angle position measurements. A linear observer is used to estimate the robot joint angle velocity. For a perfect tracking control of the robot, the output redefinition approach is used in the adaptive controller design using time-delay neuro-fuzzy networks. The time-delay neuro-fuzzy networks with the rule representation of the TSK type fuzzy system have better learning ability for complex dynamics as compared with existing neural networks. The novel control structure and learning algorithm are given, and a simulation for the trajectory tracking of a flexible manipulator illustrates the control performance of the proposed control approach.     

基于神经网络的反馈式自适应逆控制系统

由于在建立非线性逆模型时采用带有复杂非线性函数的滤波器来完成,而由此带来了结构复杂、运算量大等缺点,在实际运用上受到了很多限制.为此,采用较为简单的线性逆控制方式与单层神经网络相结合构成逆控制结构,其良好的非线性特性使系统具有逼近任何非线性模型的能力,且结构简单实用.应用举例表明这种方法在运算量和控制性能上均取得了非常好的效果.     

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。