采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。     

不确定非线性系统的自适应反推高阶终端滑模控制

针对一类非匹配不确定非线性系统,提出一种神经网络自适应反推高阶终端滑模控制方案.反推设计的前1步利用神经网络逼近未知非线性函数,结合动态面控制设计虚拟控制律,避免传统反推设计存在的计算复杂性问题,并抑制非匹配不确定性的影响;第步结合非奇异终端滑模设计高阶滑模控制律,去除控制抖振,使系统对于匹配和非匹配不确定性均具有鲁棒性.理论分析证明了闭环系统状态半全局一致终结有界,仿真结果表明了所提出方法的有效性.     

基于滑模变结构的感应电动机直接转矩控制

针对感应电动机常规直接转矩控制中存在磁链、转矩脉动大,低速控制不精确等问题,在建立α-β坐标系感应电动机数学模型的基础上,提出了一种基于滑模变结构的新型直接转矩控制方法。该方法利用转速滑模变结构控制器代替常规直接转矩控制中的PI控制器,可有效减小常规直接转矩控制中的磁链和转矩脉动,增强了系统的稳定性。仿真结果证明了该方法的正确性。     

基于滑模变结构的感应电动机控制策略研究

感应电动机是一个高阶、非线性、强耦合的多变量系统,在运行的过程中参数易受温度、负载变化的影响,会造成电动机进入不稳定区域运行。为了适应系统的非线性特性,提出了一种基于滑模变结构的控制策略。该策略对电流、转速、磁链误差分别建立滑模面,构造出各环节变结构控制器,并推导出自适应控制律。仿真结果证明了控制策略的有效性和可行性。     

基于逆系统原理的感应电动机滑模速度控制

针对目前逆系统原理应用于感应电动机调速系统中时往往忽略参数不确定性的问题,从感应电动机的非线性模型出发,采用逆系统理论建立了转子电阻与负载参数不确定的感应电动机伪线性控制系统模型;提出了一种采用变指数趋近律实现的防抖动自适应滑模变结构控制方法,并将该控制方法应用于感应电动机伪线性控制系统中。仿真结果表明,基于逆系统原理的感应电动机滑模速度控制方法能够有效抑制系统参数的不确定性,提高系统的稳定性和控制精度。     

基于神经网络观测器的反推终端滑模位置控制

为了提高永磁直线同步电机(PMLSM)的位置跟踪精度,本文提出了一种基于神经网络自适应观测器的反推终端滑模控制(TSMC)方法.首先,建立PMLSM的动力学模型.然后,利用RBF神经网络的万能逼近特性去逼近系统中不确定性,并将逼近后的输出信号输入给自适应观测器进行跟踪目标位置和速度的估计,补偿由不确定性所导致的跟踪误差,进而获得高精度的跟踪性能.同时反推TSMC方法能够保证系统状态在有限时间内收敛,有效改善了系统响应速度和鲁棒性能.此外,设计出一种新型饱和函数来改善系统抖振,并利用Lyapunov稳定性定理进行了闭环系统稳定性分析.最后,通过空载和负载实验证实了该控制方案的有效性.     

基于小波神经网络的流量自回归预测研究

通过应用系统的历史网络流量训练小波神经网络的各个参数,最终确定收敛的小波神经网络的结构。证明流量的自回归短期预测是个NP问题,分析小波神经网络预测算法的时间复杂度。通过实验结果表明,采用小波神经网络相对于BP、GRNN、解决此类NP问题具有良好预测效果和收敛速度。     

感应电动机效率优化的自抗扰控制研究

针对现有电动机效率优化控制方法存在控制算法复杂的问题,提出了一种基于改进自抗扰控制器的动态解耦控制策略。自抗扰控制器省去了微分跟踪器,采用线性的扩张状态观测器和线性状态误差反馈控制律,使控制算法得以简化。仿真和实验结果表明,该控制策略在保证电动机轻载运行时效率优化的同时,具有较强的抗干扰能力和鲁棒性,提高了效率优化过程中电动机转速的动态响应速度。     

感应电动机锁相及模糊滑动模控制

针对感应电动机调速系统综合运用了多种控制手段 ,在内环采用滑动模控制以实现感应电动机转矩和磁链的解耦 ,外环采用锁相环 (PLL)控制使被控系统具有高稳态精度 .而在动态过程中则引入了模糊滑动模控制(FSMC) ,保证了系统的快速性和鲁棒性 .     

基于RBFNN的风电机组变桨距反推滑模控制

在风力发电变桨距优化控制问题的研究中,针对具有不确定性的非线性风电机组,设计了基于径向基函数神经网络(RBFNN)的风电机组变桨距反推滑模控制器.首先应用精确反馈线性化理论将原非线性系统模型进行全局线性化处理,再应用RBFNN对不确定项进行逼近,结合滑模控制和反推法,设计反推滑模控制器(BSMC),保证了高风速下风机的稳定性,抑制了不确定项对系统的影响,避免了传统反推法存在的计算复杂问题.通过与传统滑模控制器(SMC)进行仿真对比,结果表明,RBFNN-BSMC能够很好地稳定风电机组的输出功率,具有较强的鲁棒性.     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

永磁同步电机的自学习滑模反步抗扰控制

针对永磁同步电机(PMSM)速度跟踪控制问题,设计了一种自学习滑模反步抗扰控制方法.该方法设计了基于类Sigmoid函数的改进型跟踪微分器(TD)用于对输入信号和虚拟控制信号进行滤波,避免了对信号反复解析求导产生的微分爆炸问题,并设计了扩张状态观测器(ESO)用于对外界负载扰动进行实时观测估计和补偿.为了削弱抖振和提高...     

基于神经网络的无人机滑模飞行控制设计

针对无人机受扰运动,基于Backstepping方法和非线性滑模控制提出了一种鲁棒神经网络飞行控制方案.对无人机姿态角速度层的系统不确定性项,采用径向基函数神经网络并对其权值进行在线调整,从而实现对其进行逼近.将回馈递推设计方法与滑模控制方法结合起来,基于神经网络的输出为无人机设计了一种回馈递推滑模飞行控制器.所设计的飞行控制器用于无人机的姿态控制,仿真结果表明所研究的无人机鲁棒神经网络飞行控制方案是有效的.     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

水平欠驱动机械臂的反步自适应滑模控制

针对二自由度水平欠驱动机械臂系统,提出了基于分层滑模控制思想的反步自适应滑模控制方法．该方法能够在不对系统状态模型进行复杂坐标变换,并且没有约束方程限制的前提下实现对欠驱动系统的反馈滑模控制．仿真结果表明了该方法的有效性,而且优化后的控制器具有较好的适应性和控制效果．     

基于RBF神经网络滑模控制的车辆横向控制研究

针对车辆横向控制系统中滑模控制器存在的抖振现象对转向机械结构带来的损耗问题,提出了一种基于RBF神经网络的滑模控制算法。利用RBF神经网络较强的自学习能力实时在线调节滑模控制器的切换项增益参数,增强系统的抗干扰能力与动态性能。将车辆实际参数代入仿真数学模型中,在Simulink仿真环境中进行对比仿真实验,仿真结果表明:该控制算法跟踪性能好,能够有效降低滑模控制器的抖振,满足车辆横向控制要求。     

基于滑模变结构的异步电机矢量控制研究

根据滑模变结构理论提出了一种速度调节器的设计方法,该速度调节器由滑模控制器组成。通过对相关参数c、α、β的合理选择,使由此构成的位置、速度、电流闭环交流位置伺服系统的滑模变结构控制策略,具有响应速度快、鲁棒性强等优点,并利用Matlab/Simulink进行了仿真实验,对之以验证。     

Adaptive Sliding Mode Control for Re-entry Attitude of Near Space Hypersonic Vehicle Based on Backstepping Design

Combining sliding mode control method with radial basis function neural network (RBFNN), this paper proposes a robust adaptive control scheme based on backstepping design for re-entry attitude tracking control of near space hypersonic vehicle (NSHV) in the presence of parameter variations and external disturbances. In the attitude angle loop, a robust adaptive virtual control law is designed by using the adaptive method to estimate the unknown upper bound of the compound uncertainties. In the angular velocity loop, an adaptive sliding mode control law is designed to suppress the effect of parameter variations and external disturbances. The main benefit of the sliding mode control is robustness to parameter variations and external disturbances. To further improve the control performance, RBFNNs are introduced to approximate the compound uncertainties in the attitude angle loop and angular velocity loop, respectively. Based on Lyapunov stability theory, the tracking errors are shown to be asymptotically stable. Simulation results show that the proposed control system attains a satisfied control performance and is robust against parameter variations and external disturbances.