Robust adaptive neural control of uncertain pure-feedback nonlinear systems

In this paper, a robust adaptive neural control design approach is presented for a class of uncertain pure-feedback nonlinear systems. To reduce the complexity of the both controller structure and computation, only one neural network is used to approximate the lumped unknown function of the system at the last step of the recursive design process. By this approach, the complexity growing problem existing in conventional methods can be eliminated completely. Stability analysis shows that all the closed-loop system signals are uniformly ultimately bounded, and the steady state tracking error can be made arbitrarily small by appropriately choosing control parameters. Simulation results demonstrate the effectiveness and merits of the proposed approach.     

不确定非线性系统的直接自适应神经网络控制

为解决一类带干扰的不确定非线性系统中存在的两类未知项——未知函数和外界干扰,采用了直接自适应神经网络控制方法设计控制器。控制器设计中利用径向基函数神经网络良好的逼近性来近似未知函数,利用非线性衰减项来抑制干扰。所用方法结构简单、算法简洁,在一定条件下稳定性和收敛性能定性地得到保证。最后,仿真结果证明了该方法是正确的。     

一类不确定非线性系统反步自适应神经网络控制研究

针对合有高阶不确定扰动项且不可参数线性化的一类非线性系统，采用反步递推方法设计基于多层神经网络的自适应控制器，多层神经网络可较好地逼近非线性系统，其权值能在系统先验知识不多的情况下在线调整，给出了神经网络Lyapunov意义下稳定的在线自适应律，在设计控制器的过程中，采用类加权形式Lyapunov函数，使得控制器能有效处理自适应控制奇异性问题，仿真结果表明，该控制器对系统参数的不确定性和有界干扰具有一定的鲁棒性，并能保证闭环系统全局稳定。     

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.     

具有Preisach类型磁滞输入的不确定非线性系统 自适应神经网络控制

本文针对一类执行器受Preisach磁滞约束的不确定非线性系统, 提出一种基于神经网络的直接自适应控制 方案, 旨在解决系统的预定精度轨迹跟踪问题. 由于Preisach算子与系统动态发生耦合, 导致算子输出信号不可测 量, 给磁滞的逆补偿造成了困难. 为解决此问题, 本文首先将Preisach模型进行分解, 以提取出控制命令信号用于 Backstepping递归设计, 并在此基础上融合一类降阶光滑函数与直接自适应神经网络控制策略, 形成对磁滞非线性 和被控对象非线性的强鲁棒性能, 且所设计方案仅包含一个需要在线更新的自适应参数, 同时可保证Lyapunov函数 时间导数的半负定性. 通过严格数学分析, 已证明该方案不仅保证闭环系统所有信号均有界, 而且输出跟踪误差随 时间渐近收敛到用户预定区间. 基于压电定位平台的半物理仿真实验进一步验证了所提出控制方案的有效性.     

基于自适应神经网络的不确定非线性系统的模糊跟踪控制

提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T＿S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出.     

基于动态递归神经网络的一类非线性不确定系统的自适应观测器

针对一类非线性不确定系统，当其状态不可测时，在基于动态递归神经网络的观测器中，对用来抑制不确定性、保证观测器鲁棒观测的控制项进行恰当的设计。仿真结果证实了该设计的有效性。     

不确定非线性系统全局渐近自适应神经网络控制

针对一类控制增益为一般函数形式的不确定仿射非线性系统,提出一种能够确保全局渐近稳定的自适应神经控制(adaptiveneural control,ANC)方法.为了保证神经网络逼近的适用性,设计一种可变控增益的比例微分(proportionaldifferential,PD)控制器以全局镇定被控对象.利用状态变换解决由未知控制增益函数导致的控制奇异问题.提出一种连续的自适应鲁棒控制项实现闭环系统的渐近跟踪.与现有的全局渐近跟踪ANC方法相比较,本文方法不仅简化了PD增益的选择,而且减轻了控制输入的颤振问题.仿真结果表明了本文方法的有效性.     

Adaptive neural control for a class of uncertain nonlinear systems with unknown time delay

A neural network (NN)‐based robust adaptive control design scheme is developed for a class of nonlinear systems represented by input–output models with an unknown nonlinear function and unknown time delay. By approximating on‐line the unknown nonlinear functions with a three‐layer feedforward NN, the proposed approach does not require the unknown parameters to satisfy the linear dependence condition. The control law is delay independent and possible controller singularity problem is avoided. It is proved that with the proposed neural control law, all the signals in the closed‐loop system are semiglobally bounded in the presence of unknown time delay and unknown nonlinearity. A simulation example is presented to demonstrate the method. Copyright © 2008 John Wiley & Sons, Ltd.     

不确定性系统的非因果鲁棒学习控制

针对不确定性系统提出一种非因果鲁棒学习控制方法。该学习控制律的非因果学习部分通过标称系统的优化指标得到,鲁棒部分通过设计鲁棒加权来实现。首先,不考虑鲁棒部分的具体形式,推导出标称系统描述的学习控制律的鲁棒收敛性条件;然后,设计与系统不确定性相关的鲁棒加权,由鲁棒收敛性条件得到鲁棒加权的设计原则;最后,通过仿真实验验证了所提出方法的有效性,并分析了不同形式不确定性系统鲁棒设计的保守性。     

Adaptive backstepping controller design for nonlinear uncertain systems using fuzzy neural systems

In this article, we propose an adaptive backstepping control scheme using fuzzy neural networks (FNNs), ABC_FNN, for a class of nonlinear non-affine systems in non-triangular form. The nonlinear non-affine system contains the uncertainty, external disturbance or parameters variations. Two kinds of FNN systems are used to estimate the unknown system functions. According to the FNN estimations, the adaptive backstepping control (ABC_FNN) signal can be generated by backstepping design procedure such that the system output follows the desired trajectory. To ensure robustness and performance, a proportional-integral-surface function and robust controller are designed to improve the control performance. Based on the Lyapunov stability theory, the stability of a closed-loop system is guaranteed and the adaptive laws of the FNN parameters are obtained. This approach is also valid for nonlinear affine system with uncertainty or disturbance. The uncertainty and disturbance terms are estimated by FNNs and treated by the ABC_FNN scheme. Finally, the effectiveness of the proposed ABC_FNN is demonstrated through the simulation of controlling a nonlinear non-affine system and the continuously stirred tank reactor plant to demonstrate the performances of our approach.     

基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

Deterministic learning from neural control for uncertain nonlinear pure‐feedback systems by output feedback

The essence of intelligence lies in the acquisition/learning and utilization of knowledge. However, how to implement learning in dynamical environments for nonlinear systems is a challenging issue. This article investigates the deterministic learning (DL) control problem for uncertain pure‐feedback systems by output feedback, which achieves the human‐like learning and control in a simple way. To reduce the complexity of control design and analysis, first, by combining an appropriate system transformation, the original pure‐feedback system is transformed into a simple normal nonaffine system. An observer is then introduced to estimate the transformed system states. Based on the backstepping and dynamic surface control techniques, a simple adaptive neural control scheme is first developed to guarantee the finite time convergence of the tracking error using only one neural network (NN) approximator. Second, through DL, the exponential convergence of the NN weights is obtained with the satisfaction of partial persistent excitation condition. Thus, locally accurate approximation/learning of the transformed unknown system dynamics is achieved and stored as constant NNs. Finally, by utilizing the stored knowledge, an experience‐based controller is constructed and a novel learning control scheme is further proposed to improve the control performance without any further adaptation online for the estimate neural weights. Simulation results have been given to illustrate that the proposed scheme not only can learn and memorize knowledge like humans but also can utilize experience to achieve superior control performance.     

一类非线性系统基于Backstepping的自适应鲁棒神经网络控制

针对一类未知非线性系统提出了一种基于Backstepping的自适应神经网络控制方法, 放松了满足匹配条件, 要求神经网络逼近误差的边界已知等一些限制性的假设. 扩展了自适应backstepping和自适应神经控制的适用范围, 整个闭环系统表明是最终一致有界的, 跟踪误差收敛于原点的一个大小可调的邻域.     

一类不确定非线性系统基于特征模型的复合自适应控制

针对一类不确定非线性系统的跟踪控制问题,提出一种基于特征模型的复合自适应控制方法.该方法的创新性在于基于系统的误差特征模型,构建一种综合跟踪控制误差和模型估计误差的特征参量复合自适应律,该自适应律用于控制器设计和分析,可同时实现跟踪控制误差和模型估计误差的收敛.此外,为便于特征参量自适应律的设计和分析,根据特征参量的慢时变特性,将其视为未知标称常数项和时变误差项之和,并且选用其中常数项的估计量作为自适应控制参数.进一步,为抑制特征参量中时变误差项对系统稳定性和模型估计误差收敛性的影响,在控制器及复合自适应律设计中引入带饱和函数的非线性环节.理论分析证明闭环控制系统稳定,且跟踪控制误差和模型估计误差收敛到原点的一个邻域内.仿真结果表明,与现有仅根据模型估计误差调节的基于特征模型的自适应控制方法相比,所提出的复合自适应控制方法具有更好的控制性能.     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

Observer‐based adaptive neural control for a class of nonlinear singular systems

The problem of observer‐based adaptive neural control via output feedback for a class of uncertain nonlinear singular systems is studied in this article. The nonlinear singular systems can be regarded as two subsystems that are coupled with each other: differential subsystem and algebraic subsystem. The differential systems can be nonstrict feedback structures. To guarantee that the singular system is regular and impulse‐free, two new conditions are proposed. By the conditions, the linear controller and observer, which are used to estimate the immeasurable state variables, are obtained. Then, an output feedback scheme through adaptive neural backstepping is proposed to ensure that all states of the closed‐loop system are semiglobally uniformly ultimately bounded and converge to a small neighborhood of the origin. Simulation examples illustrate the effectiveness of the presented method.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

非线性关联系统自适应神经网络输出反馈分散控制

针对一类带有完全未知关联项的非线性大系统,提出一种自适应神经网络输出反馈分散控制方法.采用神经网络逼近未知的关联项,因此对关联项常做的假设如匹配条件,被上界函数所界定等不再要求.在神经元输入中采用参考信号取代关联信号,从而成功地避免了对关联信号的微分.保证了闭环系统所有信号半全局一致最终有界,证明了跟踪误差收敛于一个包含原点的小残集.     

虚拟控制系数未知的非完整系统的自适应神经网络控制

针对一类虚拟控制系数未知的多输入链式非完整控制系统,提出了一种自适应神经网络控制策略.在控制策略的设计中,采用了State-scaling与Backstepping技术相结合的方法.Nussbaum-type增益技术用来解决系统的控制方向完全未知的问题.所提出的自适应神经网络控制策略解决了由复杂系统所引起的奇异问题,并通过选择适当的控制参数,使闭环系统半全局一致有界,且系统的状态渐近收敛到包含原点的任意小的一个收敛域.一种基于切换策略的自适应控制方法解决了当x0(t0)=0时所引起的系统不可控问题.仿真结果验证了算法的有效性.