一类具有数据包丢失的网络控制系统的最优控制

针对控制器和执行器均采用时钟驱动且最大丢包率和最大连续丢包长度被限定的短时延网络控制系统,提出一种数据包丢失的估值补偿方法.该方法可以根据历史状态向量和控制向量信息估算出当前的控制量.利用该方法和动态规划算法,导出了离散二次型性能指标下的网络控制系统的最优控制序列,进而给出最优控制律的实现算法.数值仿真算例验证了所得结果的有效性和正确性.     

δ算子下的网络控制系统最优控制方法

研究网络控制系统的随机最优控制问题,提出了针对随机时延的网络控制系统最优控制律和二次型性能指标极小的控制律设计方案．在δ算子域内应用动态规划理论．设计网络控制系统的最优状态反馈和输出反馈控制律,得到的线性二次型高斯控制器可对系统中的随机长时延进行动态补偿．最后通过实例仿真验证了上述最优控制方案的可行性和有效性．     

模糊神经网络在转台系统中的应用研究

在自动飞行控制系统与惯性导航系统模拟试验中,飞行仿真转台控制系统性能的优劣严重影响了试验结果.为了研究自动飞行控制系统和惯性导航系统,将模糊神经网络自适应控制方法应用于飞行仿真转台中.该方法通过神经网络来实现模糊推理,利用神经网络的学习能力调整模糊隶属函数和控制规则,从而克服模糊控制精度不高和自适应能力差的缺点.仿真结果表明,该方法可以使飞行仿真转台具有高的定位能力和控制精度,操作失真度小及具有良好的动态性.     

一类具有数据包丢失的网络控制系统的最优控制

针对控制器和执行器均采用时钟驱动且最大丢包率和最大连续丢包长度被限定的短时延网络控制系统,提出一种数据包丢失的估值补偿方法.该方法可以根据历史状态向量和控制向量信息估算出当前的控制量.利用该方法和动态规划算法,导出了离散二次型性能指标下的网络控制系统的最优控制序列,进而给出最优控制律的实现算法.数值仿真算例验证了所得结果的有效性和正确性.

     

基于模糊神经网络的SBR污水处理控制系统研究

序批式活性污泥法（SBR）污水处理过程是一个具有随机性、时变性和耦合性的复杂过程,传统的时间程序控制或流量控制难以获得满意的控制效果;提出了一个具有五层的模糊神经网络控制系统,分析了控制模型与算法,利用神经网络的学习能力来优化模糊逻辑的规则以及比例因子的调整,可实现SBR反应过程的最优控制。通过用MATLAB软件对控制系统进行仿真分析,结果表明系统具有优良的性能。     

基于误差状态方程的机械臂H_∞最优控制

针对不确定性二自由度机械臂的跟踪控制问题,为了同时保证控制系统的鲁棒稳定和鲁棒性能,提出了基于跟踪误差线性状态方程的H∞最优控制方法。首先建立了二自由度机械臂系统轨迹跟踪误差的状态方程,考虑系统中存在的不确定性和未知扰动,对误差状态推导出基于线性二次型性能指标的鲁棒H∞最优控制律,该控制律不仅保证了控制系统的鲁棒稳定而且使控制系统达到给定性能指标下的鲁棒最优性能。同时证明了闭环系统的渐进稳定性和线性二次型最优。由提出的广义控制力进而得到机械臂的控制力矩,实现鲁棒控制。最后应用simulink对系统进行仿真,仿真结果验证了方法的正确性和有效性。     

基于误差状态方程的机械臂H_∞最优控制北大核心CSCD

针对不确定性二自由度机械臂的跟踪控制问题,为了同时保证控制系统的鲁棒稳定和鲁棒性能,提出了基于跟踪误差线性状态方程的H∞最优控制方法。首先建立了二自由度机械臂系统轨迹跟踪误差的状态方程,考虑系统中存在的不确定性和未知扰动,对误差状态推导出基于线性二次型性能指标的鲁棒H∞最优控制律,该控制律不仅保证了控制系统的鲁棒稳定而且使控制系统达到给定性能指标下的鲁棒最优性能。同时证明了闭环系统的渐进稳定性和线性二次型最优。由提出的广义控制力进而得到机械臂的控制力矩,实现鲁棒控制。最后应用simulink对系统进行仿真,仿真结果验证了方法的正确性和有效性。     

基于模糊控制的桥式起重机定位防摆研究

针对线性二次型最优控制(LQR)法在起重机定位防摆中存在的不足,在分析了桥式起重机小车运行物理模型的基础上,将模糊理论引入起重机定位防摆中,提出了基于模糊理论控制的思想,设计了一种基于模糊的起重机定位与防摆控制方法.通过建立隶属度函数与模糊控制规则,利用两个模糊控制器对小车的位置和负载的摆动角度分别进行控制,建立了模糊控制系统.通过与LQR仿真结果进行比较,结果表明了该方法的可行性与较好的鲁棒性.     

适于长距离运输的分段吊车模糊控制

针对长距离吊车运输系统的特征,提出了分段切换因子模糊控制方法.该方法使用两个子模糊控制器分别用于抗摆和定位控制,并运用实值遗传算法选取模糊控制器的分段切换因子.仿真结果表明:该方法保证了定位精度并能有效地抑制超调,在加速阶段、运输阶段和减速阶段能够使载荷摆角最小,并且能够在目标位置进行消摆控制,其性能优于传统二次型最优控制.     

远程高空滑翔UUV的最优控制设计与仿真

针对远程高空滑翔UUV突防段飞行高度稳定控制问题,建立了远程高空滑翔UUV的数学模型,并运用连续系统线性二次型最优控制理论,设计了远程高空滑翔UUV控制系统的线性二次型调节器。最后利用Matlab仿真平台,分别采用线性二次型最优控制理论和传统PID方法对远程高空滑翔UUV的突防段进行仿真,结果表明,采用最优控制的远程高空滑翔UUV控制系统振荡次数明显减少,抗扰动能力强,为以后该理论在高空滑翔UUV上的实际应用,提供了理论依据和参考。     

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案．首先给出了控制器结构，其次将免疫进化算法用于控制器参数的优化，设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器．将该控制器用于控制实际倒立摆系统，并采用状态变量合成方法以大大减少模糊规则的数目，实验结果验证了该控制器的有效性．     

一种模糊神经网络控制器参数的混沌优化设计

通过模糊控制与神经网络相串联的方式构成模糊神经网络系统，然后提出一种基于模拟退火策略的混沌优化算法，将该算法引入模糊神经网络参数域中进行优化，实现混沌粗搜索与细搜索相结合优化目的，体现出具有更强的模糊神经网络参数全局最优解的搜索能力。采用该控制器对一个非线性对象进行控制。仿真实验表明，该方法能有效地实现模糊神经网络控制器参数优化，控制具有无振荡、超调小、调节时间短等优点，算法结构简单，容易实现。     

基于模糊控制律的遗传神经匝道协调控制

讨论了快速路匝道系统中智能控制技术问题。针对匝道系统特点,分析了模糊控制、人工神经网络、遗传算法的适用性,提出了一种基于模糊控制律的遗传神经匝道协调控制方案。在该方案中,对模糊控制输入输出数据进行线性修正,使用修正后的数据完成遗传神经网络训练,并用神经网络代替模糊控制器对匝道系统进行控制。给出了神经网络结构和遗传算法流程,并结合宏观交通流模型进行系统仿真。仿真结果表明,与模糊控制相比,控制效果显著提高。     

Solution of generalized matrix Riccati differential equation for indefinite stochastic linear quadratic singular fuzzy system with cross-term using neural networks

In this paper, solution of generalized matrix Riccati differential equation (GMRDE) for indefinite stochastic linear quadratic singular fuzzy system with cross-term is obtained using neural networks. The goal is to provide optimal control with reduced calculus effort by comparing the solutions of GMRDE obtained from well-known traditional Runge Kutta (RK) method and nontraditional neural network method. To obtain the optimal control, the solution of GMRDE is computed by feed forward neural network (FFNN). Accuracy of the solution of the neural network approach to this problem is qualitatively better. The advantage of the proposed approach is that, once the network is trained, it allows instantaneous evaluation of solution at any desired number of points spending negligible computing time and memory. The computation time of the proposed method is shorter than the traditional RK method. An illustrative numerical example is presented for the proposed method.     

一种基于模糊径向基函数神经网络的自学习控制器

提出了一种新型的基于模糊径向基函数 (RBF)的神经网络学习控制器 ,并应用于电液伺服系统 .由于RBF网络和模糊推理系统具有函数等价性 ,采用模糊经验值方法选取网络中心值和基函数数目 .与一般的神经网络自学习控制器不同 ,以系统动态误差作为网络输入量 ,RBF神经网络控制器学习的是整个系统的动态逆过程 ,因而控制性能明显提高 .对电液位置伺服系统的仿真和实验结果表明 ,该控制方案可以有效提高系统的控制精度和自适应能力     

Mining the fuzzy control rules of aeration in a Submerged Biofilm Wastewater Treatment Process

This paper presents a special rule base extraction analysis for optimal design of an integrated neural-fuzzy process controller using an “impact assessment approach.” It sheds light on how to avoid some unreasonable fuzzy control rules by screening inappropriate fuzzy operators and reducing over fitting issues simultaneously when tuning parameter values for these prescribed fuzzy control rules. To mitigate the design efforts, the self-learning ability embedded in the neural networks model was emphasized for improving the rule extraction performance. An aeration unit in an Aerated Submerged Biofilm Wastewater Treatment Process (ASBWTP) was picked up to support the derivation of a solid fuzzy control rule base. Four different fuzzy operators were compared against one other in terms of their actual performance of automated knowledge acquisition in the system based on a partial or full rule base prescribed. Research findings suggest that using bounded difference fuzzy operator (O_b) in connection with back propagation neural networks (BPN) algorithm would be the best choice to build up this feedforward fuzzy controller design.     

Quadratic optimal neural fuzzy control for synchronization of uncertain chaotic systems

This paper presents a novel quadratic optimal neural fuzzy control for synchronization of uncertain chaotic systems via H^∞ approach. In the proposed algorithm, a self-constructing neural fuzzy network (SCNFN) is developed with both structure and parameter learning phases, so that the number of fuzzy rules and network parameters can be adaptively determined. Based on the SCNFN, an uncertainty observer is first introduced to watch compound system uncertainties. Subsequently, an optimal NFN-based controller is designed to overcome the effects of unstructured uncertainty and approximation error by integrating the NFN identifier, linear optimal control and H^∞ approach as a whole. The adaptive tuning laws of network parameters are derived in the sense of quadratic stability technique and Lyapunov synthesis approach to ensure the network convergence and H^∞ synchronization performance. The merits of the proposed control scheme are not only that the conservative estimation of NFN approximation error bound is avoided but also that a suitable-sized neural structure is found to sufficiently approximate the system uncertainties. Simulation results are provided to verify the effectiveness and robustness of the proposed control method.     

在线知识获得智能模糊控制器研究

对一些复杂的系统。传统PID或模糊控制很难得到满意控制效果,本文提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来进行控制。由遗传算法在线优化模糊控制器的比例因子、模糊推理规则和隶属函数。并由RBF网络辨识被控对象的动态特性,以评价模糊控制器控制性能。仿真实验表明。优化后的Fuzzy控制器具有较强的学习和自适应控制能力,控制效果优于没有寻优的Fuzzy控制。     

混沌机制在T-S模型模糊神经网络的系统辨识研究

提出一种T－S模型的模糊神经网络,在通常BP算法的基础上,引进混沌机制来训练模糊神经网络的权值参数。将混沌BP算法应用于非线性系统建模,以求获得全局意义下的最优逼近。仿真研究说明了其有效性和良好的性质。     

Optimal control for stochastic linear quadratic singular system using neural networks

In this paper, optimal control for stochastic linear singular system with quadratic performance is obtained using neural networks. The goal is to provide optimal control with reduced calculus effort by comparing the solutions of the matrix Riccati differential equation (MRDE) obtained from well known traditional Runge–Kutta (RK) method and nontraditional neural network method. To obtain the optimal control, the solution of MRDE is computed by feed forward neural network (FFNN). Accuracy of the solution of the neural network approach to the problem is qualitatively better. The advantage of the proposed approach is that, once the network is trained, it allows instantaneous evaluation of solution at any desired number of points spending negligible computing time and memory. The computation time of the proposed method is shorter than the traditional RK method. An illustrative numerical example is presented for the proposed method.