自适应神经网络四旋翼无人机有限时间轨迹跟踪控制

针对带有模型不确定性和未知外部干扰的四旋翼无人机轨迹跟踪控制问题,提出一种基于径向基(radial basis function, RBF)神经网络的自适应全局快速终端滑模控制方法,确保系统对期望轨迹的有限时间跟踪。该方法考虑到全局快速终端滑模控制在实际应用中的适应性和抖振问题,利用RBF神经网络替代等效控制量,以神经网络的在线学习能力补偿系统内部的不确定性和未知的外部干扰,有效地降低了系统的抖振;根据Lyapunov方法导出的自适应律在线调整神经网络权值,以保证闭环系统的稳定性。通过一系列仿真算例和飞行实验验证了该方法的有效性与可行性,结果表明:该控制方法相对于滑模控制的抖振更小,具有更好的收敛性和抗干扰能力,同时对模型的参数摄动具有更强的鲁棒性。     

机器人的非奇异终端神经滑模轨迹跟踪控制

针对具有不确定性的机器人系统,为提高系统的稳态跟踪精度,提出一种非奇异终端神经滑模轨迹跟踪控制方案.控制器采用改进的非奇异终端滑模面,并基于径向基函数神经网络自适应调整控制律的切换项,不但克服了在设计中需要知道系统不确定性的上界的限制,而且平滑了控制信号.可应用Lyapunov稳定性理论证明了系统的渐近稳定性和跟踪误差的渐近收敛性.仿真结果验证了控制方法不仅能够保证机器人系统轨迹跟踪控制的快速性和鲁棒性,而且有效地削弱了抖振,可见方案是可行且有效的.     

永磁直线同步电动机智能递归非奇异终端滑模控制

为解决永磁直线同步电动机(PMLSM)在运行过程中易受参数变化、外部扰动、摩擦阻力等不确定性因素 影响的问题, 本文提出一种基于双隐层径向基函数神经网络(DRBFNN)的递归非奇异终端滑模控制(RNTSMC)方法 来提高PMLSM系统的控制性能. 首先, 分别构造非奇异终端滑模面和递归积分终端滑模面, 使得两滑模面依次连续 到达, 可在削弱抖振的同时保证跟踪误差在理论上的有限时间内收敛至零. 但由于系统不确定性的边界难以确定, 因此引入具有更高拟合精度和泛化能力的DRBFNN对不确定性进行逼近和补偿, 并通过在线自适应更新连接权重, 进一步提高神经网络的逼近能力. 最后, 系统实验结果表明, 该方法能够有效抑制不确定性对系统的影响, 提高了系 统的位置跟踪精度, 并使系统具有较强的鲁棒性.     

基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

自适应比例–积分H2滑模观测器设计

传统的龙伯格观测器的观测精度极易受到未知外部扰动的影响.为了解决这个问题,本文设计了一种基于径向基神经网络的自适应比例–积分H₂滑模观测器,实现了参数不确定性和外部扰动下非线性系统的鲁棒确切估计.首先,利用径向基神经网络自适应逼近系统模型的复杂非线性项;其次,设计基于误差的线性滑模面,将比例–积分滑模项注入观测器中,使得滑模动态在有限时间内收敛于滑模面,实现对外部扰动和系统模型非线性的完全补偿;最后,基于H₂次优控制和区域极点配置,提出观测器参数自整定方法.通过对单连杆机器人的仿真结果表明,该方法能够保证非线性系统具有较好的鲁棒性和自适应性.     

基于滑模变结构的空间机器人神经网络跟踪控制

研究了在无需模型估计值的情况下不确定空间机器人轨迹跟踪问题,提出了滑模变结构的神经网络控制方案.首先基于Lyapunov理论设计了一种径向基函数（RBF）神经网络控制器来补偿系统中的未知非线性,该神经控制器能够保证闭环系统的稳定性,而通过利用饱和函数把神经网络和滑模控制结合起来的控制器来不仅可以进一步削弱滑模控制输入的抖振,且当神经网络控制器无效时仍能保证系统鲁棒性.仿真结果证明了该控制器能在初期及强干扰情况下均能达到较好的控制效果.     

分数阶Chen混沌系统的径向基函数神经滑模控制

针对带有参数扰动和外部干扰的分数阶Chen混沌系统, 提出一种径向基函数(RBF)神经滑模控制方法. 设计滑模切换函数, 将其作为RBF神经网络的唯一输入, 网络的权值可依据滑模趋近条件在线调整. 基于Lyapunov稳定性理论, 分析了该方法的稳定性. 仿真结果表明该控制方法简化了常规神经网络控制结构的复杂性, 削弱了滑模控制的抖振程度, 对参数扰动和外部干扰具有较好的鲁棒性.     

一种广义模糊神经网络等效滑模同步伺服系统

针对永磁同步伺服系统参数摄动、非线性及不确定因素等问题,提出了一种新型模糊神经网络等效滑模控制方案。利用一维输入的径向基神经网络与等效滑模复合控制器,实现了PMSM系统的快速跟踪控制。该方案对负载扰动、系统参数变化等具有很强的自适应性和鲁棒性,并且综合了模糊控制、神经网络的优点,是一种较理想的智能控制策略。在MATLAB环境下的仿真结果表明控制器具有良好的动静态品质,并且工程实现方便,为提高PMSM伺服系统性能提供了一个有效途径。     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

基于径向基函数神经网络的机器人滑模控制

尽管滑模控制响应快,对系统参数和外部扰动呈不变性,但在保证系统的渐进稳定性上却存在很强的抖动缺点.因此,在一般滑模控制的基础上,引入了径向基函数神经网络(RBFNN).利用滑模控制的特点设定目标函数,将切换函数作为RBFNN的输入,滑模控制量作为其输出.利用RBF神经网络的在线学习功能,消除了控制的抖动,同时使系统具有很强的鲁棒性.对两连杆机械手进行了仿真研究,其结果表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能消除滑模控制的抖动问题.     

非匹配不确定混沌系统的RBF神经滑模同步

对于非匹配不确定混沌系统,提出一种RBF神经滑模同步方法.设计滑模切换面,并将其作为神经网络的唯一输入,网络的权值依滑模趋近条件在线确定,使得同步跟踪误差渐进到零点.该方法简化了常规神经网络控制结构的复杂性,削弱了滑模控制的抖振程度,并且同步时间较短,对参数不确定性及外干扰具有较好的鲁棒性.仿真结果验证了所提出方法的有效性.     

3 DoF模块化机械臂轨迹跟踪策略

针对具有外部扰动和系统参数不确定的机械臂轨迹跟踪控制问题,提出了一种改进的自适应神经网络滑模跟踪控制方法.首先建立了三自由度(DoF)机械臂动力学模型,分别采用计算力矩法和基于改进趋近律的神经滑模控制法控制其名义部分和非名义部分.所提方法结合了径向基函数(RBF)神经网络与基于趋近律的滑模控制,使控制系统自适应地补偿机...     

基于神经网络补偿的机器人滑模变结构控制

针对机器人控制系统中存在的建模误差和不确定性干扰,提出了基于神经网络补偿的滑模变结构控制。该方法采用双幂次快速终端滑模控制使得系统能在有限时间内快速达到滑模面和平衡点,采用径向基函数神经网络自适应地补偿建模误差和不确定干扰,并通过李雅普诺夫直接法设计权值更新率,确保了系统的全局稳定性,有效抑制了抖震。对两关节机器人的仿真结果表明了该方法的有效性。     

多关节机器人的神经滑模控制

针对含有建模误差和不确定干扰的多关节机械臂轨迹跟踪控制,提出了一种神经滑模控制方法。该方法采用全局快速终端滑模面保证了系统状态能够在有限时间内到达滑模面和平衡点。采用径向基函数神经网络自适应地补偿系统的建模误差和外界干扰,保证了滑模控制在滑模面的运动。利用李亚普诺夫稳定性判据推导出了控制器的控制律和神经网络的目标函数,通过神经网络的在线学习,削弱了滑模控制的抖振。仿真结果表明了其有效性。     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

基于阿克曼公式模糊切换增益调节的滑模控制

针对一类具有不确定性和外部干扰的线性系统,基于模糊滑模控制原理,提出了一种基于阿克曼公式模糊切换增益调节的滑模控制器的设计方法;使用了一种新的方法设计滑模面,使系统在趋近切换平面的过程中始终跟踪理想的趋近过程,提高系统的位置跟踪精度;将该方法用于交流伺服控制系统位置控制器的设计,对该控制算法进行了稳定性分析,并进行了建模与仿真;通过选择合理的切换矢量C,使系统在趋近滑模平面的过程中始终跟踪理想的趋近过程,快速到达滑模平面;结果表明系统具有较强的鲁棒性和较快的收敛速度,验证了该方案的有效性.     

基于情感神经网络的有源电力滤波器智能终端滑模控制

为了增强有源电力滤波器的电流跟踪控制性能,提出一种基于连续径向基情感神经网络的递归终端滑模控制方案.首先介绍包括集总不确定的有源电力滤波器数学模型;然后构造递归终端滑模面,该滑模面由快速非奇异终端滑模面和递归积分终端滑模面组成,不仅可确保跟踪误差在有限时间内收敛到零,而且可通过为滑模面参数设置适当的初始值消除滑模面的到达模态.为了有效克服系统不确定因素的影响,采用连续径向基情感神经网络逼近系统不确定参数,并运用Lyapunov方法对其进行稳定性和收敛性分析.所设计的连续径向基情感神经网络,不仅结构简单、响应速度快,而且具备参数在线调节能力.仿真和实验结果均表明,该控制方案具有优异的电流跟踪能力以及抗干扰能力.     

基于RBF神经网络补偿的直线伺服系统滑模鲁棒跟踪控制

永磁直线伺服系统具有高速、高响应和直接驱动等优点,但负载扰动、端部效应、非线性摩擦及系统参数变化会降低系统的伺服性能.为了在保证系统的跟踪性能的基础上.消除上述不确定性因素的影响,本文提出一种将变结构控制(VSC)和径向基函数神经网络(RBFNN)相结合的鲁棒跟踪控制策略.变结构控制具有快速响应,对不确定因素的不变性的优点.但是其“抖振”现象将影响直线伺服系统的平稳性和定位精度.采用径向基函数神经网络来模拟端部效应、参数变化、摩擦和外部负载等不确定因素,引入带死区的目标函数以缩短学习过程.通过RBFNN的补偿控制来减弱“抖振”输入的程度,进一步提高系统的稳态精度.仿真结果表明,该方案对直线伺服系统不确定性有很强的鲁棒性,同时,系统具有较好的跟踪性能,大大提高了直接驱动直线伺服系统的鲁棒跟踪精度.     

基于神经网络滑模的智能车辆横向控制

以智能车辆为研究对象,针对车辆模型存在高度非线性动态特性、参数不确定性以及行驶时受外部干扰较多导致控制精度不高、鲁棒性差等问题,提出了采用径向基函数(RBF)神经网络滑模控制方法.建立2自由度线性车辆模型和自由度非线性整车模型,在传统2自由度车辆控制模型状态方程的基础上推导出新的状态方程并以此设计了相应控制器.利用李雅普诺夫(Lyapunov)稳定性理论推导出神经网络的权,并证明控制系统的稳定性.仿真结果表明:与传统的滑模控制方法相比,该方法控制精度高,有较强的鲁棒性.     

GBF-CMAC和滑模控制的柔性结构系统控制

针对一类不确定系统的跟踪控制,设计了一种将GBF-CMAC（cerebellar model articulation controller with Gauss basis function）与滑模控制相结合的控制系统。利用符号距离和分层结构减少了神经网络所需存储器的数量,并提出了一种神经网络参数的自适应学习律。将设计的控制器用于含有不确定性和欠驱动结构的高阶柔性直线结构系统的跟踪控制,并与一般滑模控制和积分滑模控制进行了比较。实验结果表明,所设计的控制器不仅具有较好的鲁棒性,而且改善了滑模控制存在的抖振问题。同时通过调整神经网络的参数对抖振进行控制,实现了抖振和跟踪性能之间的最优选择。