输入饱和下非线性系统的事件触发控制器设计

本文研究了具有输入饱和的非线性系统事件触发控制策略设计问题.首先,针对输入饱和下非线性系统,建立混杂系统模型.其次,当非线性函数满足Lipschitz条件下,给出闭环混杂系统局部一致渐近稳定性的稳定判据,并设计了事件触发饱和控制器.然后,当非线性函数满足扇区条件时,给出闭环混杂系统框架下满足局部一致渐近稳定性的LMI条件,并设计了事件触发饱和控制器.进一步地,在事件触发饱和控制器作用下,分析了非线性系统的半全局鲁棒镇定性.最后,结合两个仿真实例说明了所提出事件触发控制策略的有效性.     

随机非线性系统基于事件触发机制的自适应神经网络控制

针对一类具有严格反馈结构且控制方向未知的随机非线性系统,提出了基于事件触发机制的自适应神经网络（Adaptive neural network,ANN）输出反馈控制方法.利用径向基神经网络逼近系统中未知的非线性函数.通过引入Nussbaum增益函数并设计滤波器,解决了系统控制方向未知的问题.通过设计具有相对阈值的事件触发机制,保证了闭环随机非线性系统的有界性.最后给出数值仿真例子验证所提控制方法的有效性.     

基于事件触发机制的网络控制研究综述

全面综述基于事件的控制系统的研究现状与最新成果.主要介绍事件驱动通信机制的各种类型和事件触发控制的主要研究内容,包括不同的建模方法以及控制器与事件产生器的联合设计方案,重点对时延系统建模方法进行分析,将事件触发闭环控制系统建模成连续时滞模型.此外,关于网络诱导因素对事件触发机制的影响以及网络化事件触发控制的一些应用也进行说明.最后,提出目前研究工作所存在的不足,以及下一步需要解决的开放难题.     

基于采样的线性不确定系统事件触发控制

针对线性不确定系统模型,提出一种基于采样的事件触发控制方案.该方案的特点是仅在离散采样间隔下检测事件触发条件是否满足,极大提高了通信资源的利用效率.首先,应用不确定性理论对系统进行建模分析,给出基于采样的事件触发条件,并确保最小事件触发间隔的存在.然后,根据所提出的事件触发条件,加入可调节的动态变量,进而提出动态事件触...     

基于事件触发机制的神经网络同步控制

对于混合时滞神经网络同步控制中控制器存在随机摄动的问题，提出一种基于事件触发机制的非脆弱控制器。首先，使用一个服从伯努利分布的随机变量描述控制器增益摄动存在的随机性；其次，在神经网络同步控制过程中引入事件触发机制；接着，构造一个新颖的双边李雅普诺夫函数，充分考虑系统状态信息，同时利用改进的积分不等式对泛函导数进行放缩，得到同步误差系统指数稳定性的充分条件；最后，基于解耦技术设计了非脆弱控制器。通过仿真实例验证了所提控制器的有效性。实验结果表明，在四罐系统中，在相同采样周期下，与现有的指数衰减系数相比，所提控制器获得的指数衰减系数提升了0.16。     

基于事件触发的离散 MIMO 系统自适应评判容错控制

本文针对具有执行器故障的一类离散非线性多输入多输出(Multi-input multi-output, MIMO)系统, 提出了一种基于事件触发的自适应评判容错控制方案. 该控制方案包括评价和执行网络. 在评价网络里, 为了缓解现有的非光滑二值效用函数可能引起的执行网络跳变问题, 利用高斯函数构建了一个光滑的效用函数, 并采用评价网络近似最优性能指标函数. 在执行网络里, 通过变量替换将系统状态的将来信息转化成关于系统当前状态的函数, 并结合事件触发机制设计了最优跟踪控制器. 该控制器引入了动态补偿项, 不仅能够抑制执行器故障对系统性能的影响, 而且能够改善系统的控制性能. 稳定性分析表明所有信号最终一致有界且跟踪误差收敛于原点的有界小邻域内. 数值系统和实际系统的仿真结果验证了该方案的有效性.     

事件触发下马尔可夫跳跃神经网络的随机同步

本文研究了事件触发机制下带有随机噪声的马尔可夫跳跃神经网络的随机同步问题.为了更有效地降低数据传输量和节约网络资源,本文采用了一种事件触发控制.当传输误差和状态误差满足触发条件时,数据才能够被传输,使得主从系统可以在有限的资源和带宽下实现同步.通过构建新的Lyapunov泛函,以及使用广义Dynkin公式和不等式分析方...     

带状态约束的事件触发积分强化学习控制

为克服全状态对称约束以及控制策略频繁更新的局限,同时使得无限时间的代价函数最优,针对一类具有部分动力学未知的仿射非线性连续系统,提出一种带状态约束的事件触发积分强化学习的控制器设计方法。该方法是一种基于数据的在线策略迭代方法。引入系统转换将带有全状态约束的系统转化为不含约束的系统。基于事件触发机制以及积分强化学习算法,通过交替执行系统转换、策略评估、策略改进,最终系统在满足全状态约束的情况下,代价函数以及控制策略将分别收敛于最优值,并能降低控制策略的更新频率。此外,通过构建李亚普诺夫函数对系统以及评论神经网络权重误差的稳定性进行严格的分析。单连杆机械臂的仿真实验也进一步说明算法的可行性。     

执行器攻击下神经网络事件触发滑模同步控制

针对多神经网络系统在执行器攻击和外部随机干扰下的同步控制问题,对事件触发滑模控制方法进行研究。首先,设计了2种新的积分滑模函数,保证多神经网络系统在整个同步过程中的全局鲁棒性;其次,在事件触发机制的基础上,针对系统存在有界扰动和执行器攻击的问题,设计了分布式事件触发积分滑模控制器,在抑制干扰和攻击的同时实现了多神经网络的同步控制,并且节约了通信资源;再次,基于李雅普诺夫稳定性理论,给出了多神经网络同步的充分条件,并通过推导得出最小触发时间间隔为大于0的正数,即保证系统不会存在奇诺(Zeno)行为;最后,仿真结果验证了所提控制方法的有效性。     

基于事件触发的独轮车移动机器人跟踪控制系统设计

针对传统的时间触发机器人控制系统中通信要求高的问题,提出了使用事件触发控制器的独轮移动机器人控制系统;首先,根据类仿真方法在忽略通信约束的条件下合成控制器;然后,将问题建模为混合系统并在网络上实现;最后,导出了合适的事件触发条件;实验结果显示,使用基于事件触发的控制算法后实现了系统的解耦和镇定,可调节系统在阶跃输入激励下的响应;相比传统的时间触发设置,在确保跟踪性能的前提下,提出的事件触发策略能显著减少通信需求,有望应用于真实系统。     

基于阻尼最小二乘法的神经网络自校正一步预测控制器

针对非线性控制器设计中遇到的模型结构及模型参数辨识问题,采用多层前馈神经网络去逼近任意的非线性系统,并使用收敛速度快且稳定性好的阻尼最小二乘法在线学习网络的仅植。基于估计的神经网络模型,依据辨识与控制的对偶原则,设计了基于阻尼最小二乘法的一步向前预测控制器。仿真研究表明,这种神经网络自校正控制器不仅具有很好的性能,而且不会产生参数爆发现象。     

基于神经网络的多模态控制器设计

基于神经网络所具有的定性推理和定量数值并行计算能力,以及学习记忆能力,集成非线性 多个特征模型和控制器,实现了控制系统的多模智能控制,该方法充分结构的定性知识和定量数学描述信息,实现了参数大范围变化时变系统的良好控制,最后用该方法对某型激光制导炸弹设计了一多模态控制器,仿真结果表明了该方法的优良性能。     

一类非线性系统神经网络控制的稳定性分析

从理论上研究将神经网络用于非线性系统控制，通过对神经网络的训练，实现一类非线性系统的定点跟踪。证明了神经网络学习算法的收敛性不仅与系统的动态特性有关，而且与网络的初始条件有关。仿真结果表明，适当选取网络的初值和加权的调节速率，可以实现非线性系统的定点跟踪。     

基于神经网络的最优保代价控制器设计

针对一类非线性系统，并以典型倒立摆装置为对象，讨论了以一种稳定性分析为基础的控制器设计方法。首先利用多层神经网络模型逼近动态系统中的非线性环节，并表示成线性微分组合形式。在此基础上，结合线性系统二次稳定理论和线性矩阵不等式技术，引入线性二次型指标，给出保代价反馈控制器设计方法，进而优化代价指标的上界，可得最优保代价控制器。该设计方法中，神经网络建模和反馈增益求解均可利用现有的算法，简单易行，仿真结果表明了其有效性和适用性。     

一种基于模糊CMAC神经网络的自学习控制器

通过分析模糊控制和基于广义基函数的ＣＭＡＣ神经网络,提出一种模糊ＣＭＡＣ（ＦＣＭＡＣ）神经网络。通过ＦＣＭＡＣ权系数的在线学习,实现修正模糊逻辑。给出一种基于ＦＣＭＡＣ的自学习控制器的结构及合适的学习算法,这种网络每次学习少量参数,算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。     

基于多新息理论的PID神经网络改进算法

为了提高非线性动态系统辨识精度,提出一种基于多新息理论的PID神经网络改进算法。对具有时间延迟非线性动态系统,由于采用多新息,充分利用了系统的当前数据和历史数据,较传统的BP算法,本文所提算法在辨识精度和收敛速度方面具有更好的效果。仿真结果表明该算法的有效性。     

A Neural Network Adaptive Controller for End-effector Tracking of Redundant Robot Manipulators

In this paper we propose a neural network adaptive controller to achieve end-effector tracking of redundant robot manipulators. The controller is designed in Cartesian space to overcome the problem of motion planning which is closely related to the inverse kinematics problem. The unknown model of the system is approximated by a decomposed structure neural network. Each neural network approximates a separate element of the dynamical model. These approximations are used to derive an adaptive stable control law. The parameter adaptation algorithm is derived from the stability study of the closed loop system using Lyapunov approach with intrinsic properties of robot manipulators. Two control strategies are considered. First, the aim of the controller is to achieve good tracking of the end-effector regardless the robot configurations. Second, the controller is improved using augmented space strategy to ensure minimum displacements of the joint positions of the robot. Simulation examples are also presented to verify the effectiveness of the proposed approach.     

基于神经网络的非线性Smith预估器

将Ｓｍｉｔｈ预估原理推广到非线性系统,并用神经网络予以实现对非线性磊滞后系统进行纯滞后补偿,并将所提出的神网络非线性Ｓｍｉｔｈ预估器用于非线笥动态系统即汽车发同歧气管压力系统的预报,并与基于神经网络的迭代及非迭代ｄ步超前预报器进行了比较,还给民基于机理模型的预报器的比较结果。     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

基于预测控制方法的非线性神经网络逆控制

针对一类多输入多输出非线性被控对象,利用前向神经网络逼近原系统的逆系统,将其作为控制器,采用预测滚动优化性能指标训练该神经网络逆控制器,以克服干扰和不确定性影响,实现对多变量非线性对象的解耦控制。对某微型锅炉对象进行了控制算法仿真,结果表明,所提出的控制方法能够克服模型误差的影响,实现稳定解耦控制,且易于实现。在仿真过程中通过实验方法建立该锅炉对象的神经网络预测模型,并注意采用泛化方法采集训练样本数据和训练神经网络,以提高神经网络模型的泛化能力。