基于近似模型的多层模糊CMAC自适应非线性控制

针对非线性离散时间系统的控制问题,提出了一种基于近似模型的多层模糊CMAC 自适应控制方法.采用多层模糊CMAC对非线性函数进行逼近,并提出了一种新的神经网络学 习算法来保证权值的有界性.由于无需满足PE条件,所以文中提出的方法对于离散时间系统 的神经网络控制问题具有实际价值.     

基于模糊模型和神经网络的多时滞不确定非线性系统的鲁棒H∞控制

针对一类具有多时滞的不确定非线性系统,提出了一种基于模糊模型和神经网络的组 合控制方法.利用具有多时滞的模糊T-S模型对系统进行近似建模并给出基于线性矩阵不等式 (LMI)的模糊H∞控制律.提出完全自适应RBF神经网络控制方法,通过在线自适应调整RBF 神经网络的权重、函数中心和宽度,来对消系统的未知不确定性和模糊建模误差的影响,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,并证明了闭环系统的稳定性.最后, 将所提出的方法应用到一具有多时滞的非线性混沌系统,仿真结果表明了该方法的有效性.     

用神经网络进行非线性离散动态系统辨识的可行性

本文通过证明由神经网络组成的动态系统具有可以逼近满足一定条件的非线性离散动态系统到任意精度的能力，以及讨论将其作为辨识模型对非线了散动态系统进行实时辨识时系统的稳定性，对用神经网络进行非线性离散动态系统辨识的可行性进行了探讨，并提出了有待解决的问题。     

基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

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.     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

具有未知死区输入非线性系统的迭代学习控制

针对一类具有死区输入非线性系统,提出一种实现有限作业区间轨迹跟踪控制的神经网络迭代学习算法.基于Lyapunov-like方法设计学习控制器,回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求.为处理输入死区,利用神经网络逼近这种强非线性特性;同时,通过对神经网络逼近误差界的估计并在控制器中设置补偿作用以消除其影响,从而提高系统的跟踪性能.     

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     

基于神经网络模型的最小预测误差非线性自适应控制器

主要研究基于神经网络模型的最小预测误差非线性自适应控制算法.利用神经网 络激励函数的分段局部线性近似,将基于神经网络的非线性系统一步前向预测控制转化为一 系列局部的线性预测控制问题.利用线性系统参数估计方法获得神经网络预测模型的参数估 计.在此基础上利用并联线性系统的预测控制方法设计全局收敛的非线性系统预测控制器.     

基于滑模控制的Sigma-Delta调制器参数设计和优化

将滑模控制策略引入到Sigma-Delta调制器设计中,用于分析一位比较器环节对Sigma-Delta调制器系统产生的非线性影响。通过将Sigma-Delta调制器中积分器的状态输出作为研究变量,一位比较器环节作为变结构单元对系统工作原理进行重新建模,同时基于滑模变结构控制理论推导出了采用近似线性化方法分析一位比较器非线性特性需满足的基础条件。在保证满足一位比较器环节可近似线性化处理的基础上,采用智能优化算法对Sigma-Delta调制器系统参数进行优化设计,降低了调制器系统参数设计难度,同时进一步提高系统性能。理论分析和仿真结果验证了本文方法的可行性和有效性。     

On The Approximation Capability of Neural Networks ‐ Dynamic System Modeling and Control

This paper discusses issues related to the approximation capability of neural networks in modeling and control. We show that neural networks are universal models and universal controllers for a class of nonlinear dynamic systems. That is, for a given dynamic system, there exists a neural network which can model the system to any degree of accuracy over time. Moreover, if the system to be controlled is stabilized by a continuous controller, then there exists a neural network which can approximate the controller such that the system controlled by the neural network is also stabilized with a given bound of output error.     

基于RBF神经网络的一类不确定非线性系统自适应H控制

基于RBF神经网络提出了一种H_∞ 自适应控制方法.控制器由等效控制器和H_∞ 控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H_∞ 控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

Approximate Feedback Linearisation Using Multilayer Neural Networks

In this paper we introduce the approximate feedback linearisation using multilayer feedforward neural networks. We propose to approximate a basis of the one-dimensional codistribution of an affine nonlinear system with the derivative of a multilayer neural network [6] and form a change of coordinates with n multilayer neural networks [5]. In this paper we will prove that the transformation can define a local diffeomorphism, with which a local stabilising feedback law can be designed for a kind of non-linearisable nonlinear systems.     

基于神经网络的严反馈块非线性系统的鲁棒控制

针对非匹配不确定性的严反馈块非线性系统,基于神经网络提出一种鲁棒控制方法．利用Lyapunov稳定性定理推导出RBF神经网络的全调节律,用于处理系统中的非线性参数不确定性,提高了神经网络的在线逼近能力;采用神经网络和鲁棒控制方法,利用已知信息的同时,对控制系数矩阵未知时的设计问题进行处理,避免了控制器可能的奇异问题;引入非线性跟踪微分器,解决了Backstepping设计中的“计算膨胀”问题．运用Lyapunov稳定性定理证明了闭环系统的所有信号均最终一致有界．     

一种基于神经网络在线逼近器的非线性鲁棒故障诊断方法

针对一类不确定非线性动态系统，提出了一种基于神经网络在线逼近结构的鲁棒故障 检测方法．该方法通过构造神经网络通过在线逼近结构学习非线性故障特性来监测动态系统 的反常行为,当故障发生时，在线估计器可逼近各种可能的未知故障，然后对其进行诊断和 适应．神经网络权重的在线学习律没有持续激励的要求，并采用Lyapunov稳定性理论保证了 闭环误差系统一致最终有界稳定．     

基于混沌变量的前向神经网络结构优化设计

提出一种关于多层前向神经网络结构的混沌优化设计方法。将混沌变量引入神经网络结构的优化搜索中，使得神经网络的隐层节点数以及所有权参数都处于混沌状态中，整个网络结构呈现为动态变化。从动态的神经网络结构中，根据性能指标来寻找一个全局最优或近似于全局最优的网络结构。仿真实验表明，采用该方案得到的神经网络结构模型对异或问题、非线性函数具有较高的逼近精度和较好的泛化能力。     

全局自适应神经网络跟踪控制及逼近域确定

针对自适应神经网络跟踪控制问题,提出一种确定逼近域的方法.采用参考信号取代未知非线性函数中的系统输出,神经网络用于逼近以参考信号为输入的未知不确定项.可以利用参考信号的界预先确定神经网络逼近域,再采用自适应鲁棒方法处理由于函数输入置换所引起的另一类不确定项.所得到的闭环系统是全局稳定的.仿真实例说明了该控制方法的有效性.     

一类基于神经网络非线性观测器的鲁棒故障检测

针对一类仿射非线性动态系统,提出了一种基 于神经网络非线性观测器的鲁棒故障检测与隔离的新方法．该方法采用神经网络逼近观测器 系统中的非线性项,提高了状态估计的精度,并从理论上证明了状态估计误差稳定且渐近收 敛到零;另一方面引入神经网络分类器进行故障的模式识别,通过在神经网络输入端加入噪 声项来进行训练,提高神经网络的泛化逼近能力,从而保证对被监测系统的建模误差和外部 扰动具有良好的鲁棒性．最后,利用本文方法针对某型歼击机结构故障进行仿真验证,仿真 结果表明本文方法是有效的．