连续非线性系统的神经网络α阶逆系统控制方法

对连续非线性系统,采用连续系统的设计方法,利用神经网络对非线性函数的逼近能力加上用来表征系统动态特性的若干积分器,构造工程上可实现的原系统的神经网络α阶逆系统(将α阶逆系统直接与原系统串接,构成α阶积分伪线性复合系统),并对α阶积分伪线性复合系统设计线性控制器,实现对原非线性系统的有效控制.仿真结果表明,该方法适用于较一般的线性、非线性连续系统,且结构简单,易于工程实现.     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

神经网络α阶逆系统控制方法在机器人解耦控制中的应用

本文利用神经网络α阶逆系统线性化解耦能力,将严重耦合的多自由度机械手 解耦成多个二阶积分子系统,进一步采用线性系统设计方法对已解耦系统设计闭环控制器, 成功地实现了位置快速跟踪．该控制方法不需要知道机器人系统的精确数学模型,并且结构 简单,易于工程实现．     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统，它与被控系统复合后，不但能实现原系统的线性化和解耦，而且通过合理地设计逆系统，可使伪线性复合系统的极点在复平面上任意配置，进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统，为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径，进一步拓展了神经网络逆系统控制方法的适用范围。     

神经网络技术在非线性系统控制中的应用

神经网络控制自问世以来得到广泛的应用。本文介绍了神经网络控制的概念及特点，概述了神经网络控制的主要控制策略并且讨论了它在实际应用中遇到的问题。同时我们也根据自己在实际研究中的经验提出一些解决这些问题的方法。最后，我们对神经网络控制的应用前景和研究方向作一个展望。     

神经网络广义逆系统控制

提出适合于高阶非线性系统线性化解耦的广义逆系统.它与被控系统复合后,不但能实现原系统的线性化和解耦,而且通过合理地设计逆系统,可使伪线性复合系统的极点在复平面上任意配置.进一步提出由静态神经网络和若干积分惯性等线性环节组成的神经网络广义逆系统,为模型未知且内部状态不易测量的高阶非线性系统的线性化解耦控制提供一条有效途径,进一步拓展了神经网络逆系统控制方法的适用范围.     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

神经网络α阶逆系统方法在开放式机器人控制器的应用

开放式机器人控制器的研究正成为机器人技术研究领域的热点。开放式机器人控制器除了硬件和软件上是开放的,还必须能作为一个平台,对机器人的相关算法进行研究和改进。在介绍本实验室开发的开放式机器人控制器的基础上,成功地将神经网络α阶逆系统方法作为机器人位置伺服算法应用于实际,取得了良好的控制效果。工程试验证明神经网络α阶逆系统方法是一种有前途的方法,还说明这套机器人控制器是“开放”的。     

非线性系统控制的逆系统方法（Ⅰ）

介绍非线性系统控制的逆系统方法及相应的单一非线性系统的控制理论。包括：逆系统方法的基本概念和设计原理，单变量系统α阶积分逆的设计方法，连续单变量系统的系统的控制，逆系统在一类分布参数系统和离散时间系统上的推广示例。     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。     

An Adaptive RBF Neural Network Control Method for a Class of Nonlinear Systems

This paper focuses on designing an adaptive radial basis function neural network (RBFNN) control method for a class of nonlinear systems with unknown parameters and bounded disturbances. The problems raised by the unknown functions and external disturbances in the nonlinear system are overcome by RBFNN, combined with the single parameter direct adaptive control method. The novel adaptive control method is designed to reduce the amount of computations effectively. The uniform ultimate boundedness of the closed-loop system is guaranteed by the proposed controller. A coupled motor drives (CMD) system, which satisfies the structure of nonlinear system, is taken for simulation to confirm the effectiveness of the method. Simulations show that the developed adaptive controller has favorable performance on tracking desired signal and verify the stability of the closed-loop system.      

Deterministic Learning-Based Neural PID Control for Nonlinear Robotic Systems

Traditional proportional-integral-derivative (PID) controllers have achieved widespread success in industrial applications. However, the nonlinearity and uncertainty of practical systems cannot be ignored, even though most of the existing research on PID controllers is focused on linear systems. Therefore, developing a PID controller with learning ability is of great significance for complex nonlinear systems. This article proposes a deterministic learning-based advanced PID controller for robot manipulator systems with uncertainties. The introduction of neural networks (NNs) overcomes the upper limit of the traditional PID feedback mechanism’s capability. The proposed control scheme not only guarantees system stability and tracking error convergence but also provides a simple way to choose the three parameters of PID by setting the proportional coefficients. Under the partial persistent excitation (PE) condition, the closed-loop system unknown dynamics of robot manipulator systems are accurately approximated by NNs. Based on the acquired knowledge from the stable control process, a learning PID controller is developed to further improve overall control performance, while overcoming the problem of repeated online weight updates. Simulation studies and physical experiments demonstrate the validity and practicality of the proposed strategy discussed in this article.

     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量，避免了解非线性方程和非线性预测控制所需的在线数值寻优计算，减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

不确定型网络系统的分布式自适应跟踪控制器

文章针对带有不确定性的非线性网络系统设计了协调跟踪控制器, 使得follower实现了对仅部分信息可测且受干扰的动态leader的跟踪. 文章运用神经网络方法对follower动态进行建模, 提出了基于观测器的自适应控制策略, 并且通过Lyapunov理论证明, 在适当的网络拓扑条件和适当选择参数的前提下, 该网络系统可以达UUB (Cooperative Uniformly Ultimately Bounded). 最后, 文章给出仿真实例以验证所提算法的有效性.     

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.     

随机非线性严格反馈系统的自适应神经网络输出反馈镇定

针对具有严格反馈形式的随机非线性系统, 首次引入神经网络控制技术, 设计了适当形式的随机控制 Lyapunov函数, 并运用反推(Backstepping)技术和非线性观测器设计技术, 构造出一类自适应神经网络输出反馈控制器. 在一定条件下, 证明了闭环系统平衡点依概率稳定. 仿真算例验证了所给控制方案的有效性.     

一种基于过程神经元网络的非线性动态系统辨识模型及应用

针对复杂非线性动态系统辨识问题,提出了一种基于过程神经元网络（PNN）的辨识模型和方法．根 据系统待辨识的模型结构和反映系统模态变化特征的动态样本数据,利用PNN 对时变输入／输出信号的非线性变 换机制和自适应学习能力,建立基于PNN 的系统辨识模型．辨识模型能够同时反映多输入时变信号的空间加权聚 合以及阶段时间效应累积结果,直接实现非线性系统输入／输出之间的动态映射关系．文中构建了用于并联结构和 串－并联结构辨识的PNN 模型,给出了相应的学习算法和实现机制,实验结果验证了模型和算法的有效性．     

CMAC Neural Network and Its Use in Problems of Identification and Control of Nonlinear Dynamic Objects

Efficient use of CMAC (Cerebellar Model Articulation Controller) for identification and real-time control of nonlinear dynamical systems is demonstrated. An on-line weight training algorithm is proposed. The results of modelling and controlling nonlinear objects with unknown dynamics testify to the efficiency of this network. __________ Translated from Kibernetika i Sistemnyi Analiz, No. 5, pp. 16–28, September–October 2005.     

基于DSC后推法的非线性系统的鲁棒自适应NN控制

针对一类具有不确定系统函数和方向未知的不确定增益函数的非线性系统, 提出了一种鲁棒自适应神经网络控制算法. 本算法采用RBF神经网络(Radial based function neural network, RBF NN)逼近模型不确定性, 外界干扰和建模误差采用非线性阻尼项进行补偿, 将动态面控制(Dynamic surface control, DSC)与后推方法结合, 消除了反推法的计算膨胀问题, 降低了控制器的复杂性; 尤其是采用Nussbaum函数处理系统中方向未知的不确定虚拟控制增益函数, 不仅可以避免可能存在的控制器奇异值问题, 而且还能使得整个系统的在线学习参数显著减少, 与DSC方法优点结合, 使得控制算法的计算量大为减少, 便于计算机实现. 稳定性分析证明了所得闭环系统是半全局一致最终有界(Semi-global uniformly ultimately bounded, SGUUB)的, 并且跟踪误差可以收敛到原点的一个较小邻域. 最后, 计算机仿真结果表明了本文所提出控制器的有效性.     

考虑驱动系统动态的机械手神经网络控制及应用

针对结构和参数均未知的机械手控制问题, 提出了考虑驱动系统动态的机械手神经网络控制方法, 采用稳定的径向基(Radial basis function, RBF)神经网络辨识机械手未知动态, 而附加的鲁棒控制可以保证存在神经网络的建模误差和外部干扰时系统的稳定性和性能, 并且该方法使机械手闭环系统一致最终有界. 同时开发了基于半实物仿真技术的机械手控制系统, 最后, 将本文方法与经典的PD控制器和自适应控制器在同一机械手平台上进行了实验验证与分析, 实验结果表明该方法具有良好的控制性能.