无需相对速度信息的多Euler-Lagrange 系统自适应神经网络包含控制

对含有模型非线性不确定性和外部扰动的多Euler-Lagrange 系统的分布式协调包含控制问题进行研究. 考虑通讯拓扑为有向图, 所有领航者均为动态, 且各智能体间相对速度信息不可测情况. 首先, 选取相对速度作为辅助变量, 引入低通滤波器进行估计; 然后, 采用神经网络方法逼近并补偿非线性不确定性, 提出一种分布式自适应包含控制律, 并应用Lyapunov 稳定性理论证明闭环系统的包含误差一致最终有界; 最后, 通过仿真算例验证了所提出的控制律的有效性.

     

基于敏感度方差重要性的RBF 神经网络结构优化算法

针对RBF 神经网络的结构设计问题, 提出一种基于输出敏感度方差重要性的结构优化算法. 首先, 检验网络隐层节点的输出敏感度在样本集上的方差是否与零有显著差异, 以此作为依据增加或删除相应的隐层节点; 然后,对调整后的网络参数进行修正, 使网络具有更好的拟合精度和收敛性; 最后, 对所提出的优化算法进行仿真实验, 结果表明, 所提出的算法可根据研究对象自适应地调整RBF 的网络结构, 具有良好的逼近能力和泛化能力.

     

基于预测控制的时滞多机器人编队脉冲控制

针对多机器人编队控制的时滞问题, 提出一种基于预测控制的脉冲控制方法. 首先, 利用一致性思想将多机器人编队控制转换为系统稳定性问题; 然后构建预测模型, 采用脉冲控制协议, 利用Schur 稳定性定理推导实现多机器人编队控制的充分条件; 最后, 在数值仿真中随机设置一种包含生成树的通信拓扑关系, 并比较了不同采样时间间隔下时滞系统的控制效果. 仿真结果验证了所提出方法的有效性.

     

非线性扩展结构大系统自适应神经网络跟踪控制

针对一类非线性关联大系统在结构扩展时的跟踪控制问题, 提出一种采用自适应神经网络的控制方法. 该方法要求在不改变原结构系统控制律的前提下设计新加入子系统的控制律和自适应律, 使扩展后所有子系统都具有很好的跟踪性能. 这里主要利用神经网络的逼近功能以及Backstepping 技术来设计自适应律和控制律, 通过Lyapunov 理论证明在该控制器的作用下闭环系统的所有信号均是有界的, 并可使系统准确跟踪. 仿真结果验证了所提出方法的有效性.

     

优先级多目标稳定化约束模型预测控制

针对目标函数的不同优先级问题, 提出一种约束多变量线性定常系统的稳定化多目标模型预测控制策略. 首先, 基于多目标优化理论给出多目标预测控制问题的字典序最优解结果, 并在此基础上考虑目标函数的优先级, 重 新将多目标预测控制问题定义为字典序多目标预测控制问题; 然后, 采用终端约束、终端罚函数和局部状态反馈律 等三要素, 证明多目标预测控制闭环系统是渐近稳定的; 最后, 通过一个仿真实例验证了所提出方法的有效性.

     

基于干扰观测器的SWATH船运动非线性预测控制

针对带有海浪干扰和参数不确定的SWATH船运动控制问题, 提出基于干扰观测器的SWATH船运动非线性预测控制. 首先对SWATH船运动进行建模、参数求解和海浪干扰仿真; 然后根据运动模型设计非线性预测控制律, 对SWATH 船升沉和纵摇进行控制, 同时利用干扰观测器对海浪干扰进行观测, 并从理论上证明了所设计的控制器可以保证SWATH 船运动的稳定性. 仿真结果表明, 所设计的控制器提高了SWATH船运动控制效果, 且能对海浪干扰进行抑制.

     

基于RBF神经网络的非线性系统的预测

对于非线性系统的预测辨识,提出用动态节点生成构造性RBF神经网络作为预测模型,且RBF神经网络的学习算法采用一种新的全监督式学习算法,即神经网络隐层引入新节点时,通过使新节点的输出尽可能逼近残差序列的方向来获取网络参数,从而减少学习误差,使网络输出能够较好的跟踪系统输出。仿真表明该学习算法的有效性。     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.     

基于标准神经网络模型的非线性系统分布式无线网络化控制

针对采用标准神经网络模型(SNNM)描述的非线性系统,提出一种基于无线控制网络(WCN)的全分布式控制方法.采用置信因子模拟WCN中无线通信链路的不确定性,利用Lyapunov理论和Lur’e系统方法,将无线网络化控制系统(WNCS)的稳定性分析转化为一个具有线性矩阵不等式(LMI)约束的凸优化问题;使用CVX工具包求解该凸优化问题,得到了保证闭环系统全局渐近稳定的WCN配置参数.仿真结果验证了所提出控制策略的正确性和有效性.     

切换非线性系统的分布式模型预测控制

针对一类具有预先指定切换序列的切换非线性系统,研究了具有通信信道干扰和时滞测量的分布式模型预测控制问题.在每个子系统都存在镇定控制器的假设下,利用基于Lyapunov函数的模型预测控制器设计了分布式模型预测控制器,并给出了闭环切换非线性系统最终有界的充分条件.最后,通过仿真结果表明了分布式模型预测控制策略的有效性.     

基于关联存储网络的非线性约束监督预测控制

设定值优化是复杂工业过程中一种有效的优化控制手段,通过在通常的校正级上面加一层监督级而实现.模型预测控制已广泛应用于工业过程控制,但约束优化的实现是一个难题.鉴于此,建立了非线性监督预测控制的模糊神经网络模型,由此推导出监督预测控制的可行解,并用于燃气轮机系统转速和功率的控制.仿真结果表明了该方法的优越性.     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

不确定奇异大系统分散鲁棒预测控制

针对一类不确定奇异关联大系统,讨论了当系统状态不可测时,基于输出反馈的分散鲁棒预测控制问题.通过构造Lyapunov函数以及应用线性矩阵不等式方法,将"min-max"优化问题转化为凸优化问题求解,从而得到了输出反馈分散控制器存在的充分条件和显示表达式.证明了优化问题在初始时刻的可行解能保证奇异闭环大系统渐近稳定且正则无脉冲.仿真结果验证了算法的有效性.     

基于神经网络的非线性系统预测函数控制

针对离散非线性系统,利用神经网络非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络预测函数控制方法并给出了控制律的收敛性分析.该方法将复杂的神经网络非线性预测方程转化成直观而有效的线性形式,同时利用线性预测函数方法求得解析的控制律,避免了复杂的非线性优化求解,仿真结果表明了算法的有效性.