非线性时变时延系统的模糊采样最优控制

针对非线性时变时延系统,采用输入时延和自由权重矩阵方法研究模糊采样最优控制问题.应用T-S模糊系统表征非线性系统,控制器是零阶保持采样信号.由线性矩阵不等式给出最优控制准则,所设计的模糊采样控制器在闭环系统渐近稳定意义下可保证期望最优控制性能.最后,通过卡车拖车系统实验验证模糊采样控制设计方案的可行性.     

非线性系统的模糊混合$H_{2}$/H∞采样控制

针对一类非线性系统,提出模糊混合$H_{2     

Takagi-Sugeno模糊连续系统的模糊采样控制

研究了T-S模糊连续系统的模糊采样控制问题．利用广义系统的描述方法、Lyapunov-Krasovikii泛函以及线性矩阵不等式(LMI)方法,建立了LMIs形式的依赖于采样时间间隔的模糊采样镇定条件,同时给出了模糊采样控制律的设计方法．所设计的模糊采样控制律可以镇定T-S模糊系统．而且,当连续时间模糊控制律可以镇定T-S模糊系统时,对于足够小的采样时间间隔,带有同样增益矩阵的模糊采样控制律也可以镇定T-S模糊系统．最后,通过两个仿真实例说明了所给方法的有效性．     

基于T-S 模糊模型的采样数据网络控制系统H∞ 输出跟踪控制

研究具有采样数据的基于T-S (Takagi-Sugeno) 模糊模型网络控制系统H输出跟踪控制问题. 提出将采集器端数据采样周期、数据传输时滞和数据丢包转换为零阶保持器端数据更新周期, 在此基础上, 利用输入时滞法和PDC (Parallel distributed compensation) 技术, 建立网络环境下被控对象和参考模型合并的基于T-S 模糊模型的增广系统模型. 通过Lyapunov 方法, 并充分利用采样特性, 给出系统实现H输出跟踪的充分条件, 以及可靠模糊控制器的设计. 仿真结果表明所设计模糊控制器能够实现该类系统良好的跟踪.     

基于SG的Boost变换器T-S模糊建模与控制

针对Boost变换器的非线性特性,基于分段线性电子电路仿真(PLECS)软件建立了电感电流连续状态下Boost变换器的仿真模型,采用T-S模糊控制方法设计了控制器,提出了一种用SG对Boost变换器控制器实现的新方法,并分析了负载及电源电压变动下的控制性能.仿真结果表明PLECS建模的正确性和T-S模糊控制器优越性,且验证System Generator设计开发的有效性.     

基于T-S模糊神经网络分解炉燃烧控制系统设计

针对分解炉分解是非线性、大滞后、多扰动及多变量过程,难以实现其对温度自动控制的问题,提出了一种基于T-S神经网络的控制方法。针对这一问题,文章首先对水泥预分解工艺进行分析以及对燃烧理论进行研究,然后再利用T-S模糊控制理论确定规则数目和输入变量的隶属度函数,采用神经网络的自学习和自适应能力实现模糊推理。仿真结果表明：该控制器对分解炉燃烧控制起到很好的控制效果,并且比传统PID控制器具有更好的效果。在实际生产应用当中,具有很好地稳定性和鲁棒性,并且节省了煤的消耗和降低了环境污染。     

一种T-S模糊模型的辨识方法

将一种基于三角形隶属函数的T—S模糊系统用于非线性系统的辨识中。该方法可以很方便地确定输入空间的划分及隶属函数的形状,并且对于给定的输入量系统输出的计算只需要少量的推理规则参与,减少了计算量。最后通过仿真实例说明本方法的有效性。     

采用双交叠模糊分划的T-S模糊系统的稳定性分析

研究前件变量采用双交叠模糊分划的T-S模糊系统的稳定性问题．首先针对自由系统,将连续时间系统的、基于最大交叠规则组的稳定性分析方法推广应用于离散时间系统,并采用模糊Lyapunov方法得到了稳定性的新结论．采用非并行分布补偿控制律,针对受控系统也得到了相应的结论．这些结论比已有的结果更加宽松．仿真例子验证了该稳定性结论．     

基于RBF模糊神经网络的垂直轴风力机设计

半转结构垂直轴风力机具有优良的空气动力特性,为了进一步提高风电系统输出电能的质量,在RBF神经网络与模糊逻辑系统的函数等价条件下,探索了基于T-S模糊模型的RBF模糊神经网络控制算法,并依此设计出两叶结构半转式垂直轴风力机控制器;通过与常规PID控制算法的仿真比较,表明基于T-S模型的RBF模糊神经网络控制算法在两叶结构半转式垂直轴风力机的恒转速控制方面具有一定的优越性。