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     

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.     

具有H_∞性能的机械手神经自适应跟踪控制

针对非线性不确定机械手系统的轨迹跟踪控制问题,提出一种具有H∞性能的神经自适应控制算法;该算法为机械手系统分别设计了主控制器和监督控制器;主控制器由神经网络控制为基础,基于滑模控制原理得到神经网络权值的自适应律;基于李亚普诺夫稳定性理论和鲁棒控制设计的监督控制器,补偿自适应神经网络对系统不确定项学习的误差,同时使系统具有H∞性能;通过二自由度机械手模型进行仿真实验,仿真结果验证了方法的有效性。     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

采样非线性系统的神经网络稳定自适应控制

针对一类动力学未知或难以建模的采样非线性系统,提出了一种基于神经网络的跟随控制器稳定自适应控制方法.控制器采用径向基函数神经网络近似对象的动力学非线性,神经网络参数的自适应规律由稳定理论得到.文中给出了系统稳定性和跟随误差收敛性的证明,并通过仿真实例揭示了所提方法的性能.     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法较基于静态神经网络的自适应方法具有更好的性能.     

控制中的一种神经网络结构

本文介绍通过利用神经网络计算算法怎样将神经网络两个重要的计算特点用于自适应控制。以单自由度机械手为例,对神经形态控制方法和模型参考自适应控制方法进行比较,对很大规模的系统,利用神经网络作为自适应控制提供定速,比传统的方法优越。     

《混沌系统的模糊神经网络控制理论与方法》评介

由谭文教授和王耀南教授撰写的《混沌系统的模糊神经网络控制理论与方法》专著,较系统地介绍了混沌系统模糊神经网络控制的基本理论和新方法、新成果。全书12章,涵盖了混沌系统的BP神经网络控制、混沌系统的RBF神经网络控制、超混沌系统的模糊滑模控制、不确定混沌系统的模糊自适应控制、无穷维时滞混沌系统的混合模糊神经网络时间序列预测、混沌系统的复合遗传神经网络控制、不确定混沌系统的模糊神经网络自适应控制、动态神经网络的不确定混沌系统辨识与控制、基于线性矩阵不等式方法的不确定混沌系统模糊控制、不确定混沌系统的递归高阶神经网络同步控制等,具体内容如下：     

不确定机器人的自适应神经网络控制与学习

针对具有未知动态的电驱动机器人,研究其自适应神经网络控制与学习问题.首先,设计了稳定的自适应神经网络控制器,径向基函数(RBF)神经网络被用来逼近电驱动机器人的未知闭环系统动态,并根据李雅普诺夫稳定性理论推导了神经网络权值更新律.在对回归轨迹实现跟踪控制的过程中,闭环系统内部信号的部分持续激励(PE)条件得到满足.随着PE条件的满足,设计的自适应神经网络控制器被证明在稳定的跟踪控制过程中实现了电驱动机器人未知闭环系统动态的准确逼近.接着,使用学过的知识设计了新颖的学习控制器,实现了闭环系统稳定、改进了控制性能.最后,通过数字仿真验证了所提控制方法的正确性和有效性.     

自适应模糊控制理论的研究综述

针对近10年来自适应模糊控制的主要研究成果,从模糊系统、模糊控制、稳定性、模糊逼近和神经网络等方面较详细地概括与分析了自适应模糊控制理论的研究与进展,特别是在Lyapunov稳定性理论下,基于模糊模型的自适应模糊控制与鲁棒控制、滑模控制等传统方法的结合与互补为非线性系统建模与控制提供了强有力的工具.最后对自适应模糊控制新的研究方向进行了展望,模糊建模与自适应控制的研究具有重要的理论和实际意义.     

一种液压驱动机械手的神经网络学习控制结构

针对二自由度机械手的控制问题,本文提出了一种基于函数联接神经网络的反馈学习控制器 ,提高了控制系统的自适应速度,改善了系统的起始特性．为了在改善系统自适应速度的同 时增强系统的稳态特性,本文又提出了基于函数联接神经网络的串级学习控制算法．仿真和 实验都证明了控制方法的优越性．     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

基于神经网络的自适应控制研究综述

神经网络与自适应控制相结合的研究,已成为智能控制的一个新的分支。自适应具有强鲁棒性,神经网络则具有良好的自学习功能和良好的容错能力,神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。该文综述了近年来神经网络自适应控制的研究现状,阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控触方案,并对神经网络自适应控制的应用作了介绍。在此基础上,对神经网络自适应控制存在的主要问题,如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后,展望了神经网络自适应控制未来的发展趋势,并指出了其研究方向。     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

水下机器人的神经网络自适应控制

研究了水下机器人神经网络直接自适应控制方法,采用Lyapunov稳定性理论,证明了存在有界外界干扰和有界神经网络逼近误差条件下,水下机器人控制系统的跟踪误差一致稳定有界.为了进一步验证该水控制方法的正确性和稳定性,利用水下机器人实验平台进行了动力定位实验、单自由度跟踪实验和水平面跟踪实验等验证实验.     

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.     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

基于RBF神经网络的扑翼飞行机器人的姿态控制北大核心

针对扑翼飞行机器人(Flapping Wing Aerial Vehicle, FMAV)在实际应用中的姿态控制问题,基于RBF神经网络设计了滑模鲁棒自适应姿态控制器。采用RBF神经网络对FMAV姿态动力学模型中未知项角速度进行逼近,并设计自适应律减小神经网络逼近误差。改进鲁棒项消除了为克服干扰造成的控制输入抖振现象。利用Lyapunov稳定性理论对系统的稳定性进行了分析,并通过数值仿真验证了控制方法的有效性和可行性。     

非线性系统神经网络自适应控制的发展现状及展望

简要回顾了神经网络控制及其应用的发展历程,重点论述了人们在连续、离散时间非线性系统的神经网络以及神经模糊稳定自适应控制研究方面所取得的主要进展,探讨了神经网络自适应控制研究方面存在的主要问题及解决问题的基本途径.作为当前解决神经网络自适应控制问题的途径之一,介绍了近来人们对二阶模糊神经网络以及量子神经网络的研究.最后,总结并指出了这一领域下一步的发展方向和有待解决的新课题.