神经网络自适应控制器的设计与实现

提出了一种神经网络自适应控制器，给出了控制器的结构形式和学习算法。基于MATLAB6.1/SIMULINK环境，利用SFUNCTION模块实现该控制器，给出了具体实现的一般方法，并针对三阶纯滞后、时变非线性对象进行仿真。仿真结果表明了该算法的有效性。     

非线性时滞系统的稳定自适应控制

针对模型不确定性的连续时间时滞系统，提出了一种新的神经网络自适应控制。系统的辨识模型是由神经网络和系统的已知信息组合构成，在此基础上，建立时滞系统的预测模型。基于神经网络预测模型的自适应控制器能够实现期望轨线的跟踪，理论上证明了闭环系统的稳定性。连续搅拌釜式反应器仿真结果表明了该控制方案的有效性。     

关于多变量PID自适应解耦控制器的设计

本文对于多变量自适应解耦控制与PID控制相组合．这一工业过程控制的重要设计方法，主要是对一些控制算法和全局收敛性分析等问题，进行了研究和探索。     

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。     

基于遗传算法的神经网络自适应控制器的研究

提出了一种基于遗传算法的神经网络自适应控制方法。该方法是针对ＢＰ算法训练神经网络控制系统时收敛速度慢、动态特性不够理想等不足，用改进的遗传算法来优化神经网络辨识器与控制器的参数，以提高控制系统的性能，仿真实验表明该控制器对于非线性、时变、滞后等对象都具有很好的控制精度、鲁棒性和动态特性。     

基于T-S模型的稳定自适应FNN控制器的设计

对一类不确定非线性系统,提出一种基于T-S模型的自适应FNN控制器.首先用权值固定的FNN作为非线性系统的近似模型,然后再应用自适应FNN逼近建模误差,并引入滑模项增加控制器的鲁棒性.通过稳定性理论设计自适应律,保证了系统的全局稳定,跟踪误差收敛到零.     

机器人多级自适应控制器的设计与数字仿真

本文提出了用多级自适应控制的方法实现机器人关节系统的自适应控制,并给出了两级自适应控制器的设计方法.最后以某机器人关节系统为对象对两级自适应控制器进行了仿真分析.     

基于神经网络逆控制的自适应控制器设计

根据系统非线性,参数不确定性和时变性等特点,提出一种基于神经网络逆控制方法,并介绍其结构和特点,通过仿真实验表明此结构的有效性。     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了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的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．     

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。     

神经网络非线性系统模型参考自适应控制器统一设计法

针对一类控制器无论是否具有可分离结构的非线性系统 ,利用内模控制的思想提出一种统一的神经网络模型参考自适应控制器设计方案 ,简化了基于神经网络的模型参考自适应控制系统的设计。给出了统一的设计步骤 ,它适用于任意非线性系统 ,更接近于工程实际。理论分析和仿真结果证明了该方案的合理性和有效性     

Identification based adaptive iterative learning controller

In recent years, more research in the control field has been in the area of self‐learning and adaptable systems, such as a robot that can teach itself to improve its performance. One of the more promising algorithms for self‐learning control systems is Iterative Learning Control (ILC), which is an algorithm capable of tracking a desired trajectory within a specified error limit. Conventional ILC algorithms have the problem of relatively slow convergence rate and adaptability. This paper suggests a novel approach by combining system identification techniques with the proposed ILC approach to overcome the aforementioned problems. The ensuing design procedure is explained and results are accrued from a number of simulation examples. A key point in the proposed scheme is the computation of gain matrices using the steepest descent approach. It has been found that the learning rule can be guaranteed to converge if certain conditions are satisfied. Copyright © 2010 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

基于自适应模糊神经网络控制器的网络控制系统

网络控制系统中存在着时延、丢包、网络干扰等问题。针对网络控制系统中存在恶化系统的控制性能,甚至导致系统不稳定的因素,提出了一种基于自适应模糊神经网络控制器的网络控制系统,它能根据系统的实际输出与期望输出误差,利用自适应模糊控制和神经网络自学习的原理进行控制参数的自行调整,以符合控制系统的实际要求,同时,分析了网络延时,丢包率及网络干扰因素对系统性能的影响。利用TrueTime工具箱建立了包含自适应模糊神经网络控制器的网络控制系统的仿真模型,并将其分别与基于常规PID控制器的网络控制系统和基于模糊参数PID控制器的网络控制系统进行了比较。实验结果表明,在相同的网络环境下,基于自适应模糊神经网络控制器的网络控制系统的控制效果比基于常规的PID控制器和基于模糊参数PID控制器的要好,且具有较好的抗干扰能力和鲁棒性能。     

集成神经网络与自适应算法的分数阶滑模控制

针对被控对象的参数时变和外部扰动问题,本文融合神经网络的万能逼近能力和自适应控制技术,并结合分数阶微积分理论,提出了基于神经网络和自适应控制算法的分数阶滑模控制策略.本文采用等效控制的方法设计滑模控制律,并利用神经网络的万能逼近能力估测控制律的变化,结合自适应控制算法和分数阶微积分理论抑制传统滑模控制系统的抖震,同时根据Lyapunov稳定性理论分析了系统的稳定性,最后给出了实验结果.实验结果表明,本文提出的基于神经网络和自适应控制算法的分数阶滑模控制系统,能保持滑模控制器对系统外部扰动和参数变化鲁棒性的同时,也能有效地抑制抖震,使得系统获得较高的控制性能.     

自适应模糊神经控制器在MIMO 系统中的应用研究

首先给出一种适用于MIMO系统的自适应模糊控制器，然后针对该控制器用于复杂系统时，存在模期规则过多且建立规则的时间随规则数增加呈指数增长的问题，提出了另一种适用于MIMO非线性系统的自适应模期神经控制器，该控制器采用“全逼近”的控制策略，依据李亚普诺夫方法给出了模糊神经自适应输出反馈控制律和参数自适应律，仿真研究证明了MIMO非线性系统系统的稳定性以及跟踪误差的收敛性。     

4M龙门刨床自适应速度控制器研究

本文对4M龙门刨床控制系统进行改造,以自适应速度控制器取代了常规速度调节器,构成了自适应调速系统.所提出的自适应控制器方案具有抗扰能力强且不需被控对象先验知识的特点.实验表明,自适应调速系统的方案设计是正确的,控制效果优于常规系统.     

Direct adaptive neural network controller for a class of nonlinear systems based on fuzzy estimator of the control error

A new approach of direct adaptive control of single input single output nonlinear systems in affine form using single-hidden layer neural network (NN) is introduced. In contrast to the algorithms in the literature, the weights adaptation laws are based on the control error and not on the tracking error or its filtered version. Since the control error is being expressed in terms of the NN controller, hence its weights updating laws are obtained via back-propagation concept. A fuzzy inference system (FIS) with heuristically defined rules is introduced to provide an estimate of this error based on the past history of the system behaviour. The stability of the closed loop is studied using Lyapunov theory. A fixed structure is then proposed for the FIS and the design parameters reduce to the parameters of the NN. The method is reproducible and does not require any pre-training of the network weights.     

一类复杂控制系统分散自适应鲁棒控制器设计

基于模糊逻辑系统具有充分利用语言信息和逼近连续函数性质的思想,分析研究了一类非线性不确定复杂系统的自适应控制问题.利用系统的数学模型和模糊逻辑系统对不确定性的输出信息,设计出了复杂系统的分散自适应鲁棒控制器和模糊逻辑系统参数估计的自适应律,在较弱的假设条件下,证明了这种控制器使被控系统的状态及参数估计误差一致终极有界.仿真实例表明,所提出的方法是有效的.     

TCSC鲁棒自适应控制器的非线性逆推设计

设计了一种应用于互联电网的TCSC鲁棒自适应调制控制器(RAMC).该控制器采用广域测量系统中的全局信号,旨在对各区域的惯量中心进行控制并保持同步运行.采用反推法推导了控制规律,并在2区域4机系统中进行了控制器性能检测.仿真结果显示,该控制器可有效阻尼互联电力系统间的机电振荡,与传统的控制器相比具有良好的性能.     

Filtering adaptive neural network controller for multivariable nonlinear systems with mismatched uncertainties

This paper synthesizes a filtering adaptive neural network controller for multivariable nonlinear systems with mismatched uncertainties. The multivariable nonlinear systems under consideration have both matched and mismatched uncertainties, which satisfy the semiglobal Lipschitz condition. The nonlinear uncertainties are approximated by a Gaussian radial basis function (GRBF)‐based neural network incorporated with a piecewise constant adaptive law, where the adaptive law will generate adaptive parameters by solving the error dynamics between the real system and the state predictor with the neglection of unknowns. The combination of GRBF‐based neural network and piecewise constant adaptive law relaxes hardware limitations (CPU). A filtering control law is designed to handle the nonlinear uncertainties and deliver a good tracking performance with guaranteed robustness. The matched uncertainties are cancelled directly by adopting their opposite in the control signal, whereas a dynamic inversion of the system is required to eliminate the effect of the mismatched uncertainties on the output. Since the virtual reference system defines the best performance that can be achieved by the closed‐loop system, the uniform performance bounds are derived for the states and control signals via comparison. To validate the theoretical findings, comparisons between the model reference adaptive control method and the proposed filtering adaptive neural network control architecture with the implementation of different sampling time are carried out.