神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

非线性系统模糊神经网络直接自适应控制

提出一种基于模糊神经网络的自适应控制方法。由模糊神经网络构成非线性预测器，利用使预测输出等于参考输出，生成实时控制信号。对自适应算法进行了理论分析，结合实例进行了仿真。     

非线性系统自适应回归神经网络控制

针对参数不确定非线性系统，提出了基于回归神经网络的间接自适应控制，控制器用滑模变结构技术，能保证系统对外部扰动和参数不确定性的不敏感性，最后给出的仿真实例证实了模型和适应性。     

参数未知非线性系统的神经网络自适应控制

提出了一种以神经网络为模型的新型间接自适应控制算法,该控制算法不仅能解决一类含未知参数的离散非线性系统的跟踪控制问题,而且降低了通常该类自适应控制算法的神经网络模型的构造的复杂性,神经网络参数收敛性和闭环控制系统跟踪误差的ＵＵＢ（ｕｎｉｆｏｒｍｌｙ Ｕｌｔｉｍａｔｅｌｙ Ｂｏｕｎｄｅｄ）也能得到保证。     

一类非线性系统的神经网络自适应算法研究

讨论了神经网络在非线性系统控制中的应用.针对一类典型的非线性系统,基于波波夫超稳定性理论,推导出了保证系统稳定性的神经网络学习算法,设计了神经网络模型参考自适应控制器,以改善非线性被控对象跟踪参考模型输出的跟踪效果,并以此为依据进行了MATLAB仿真.对电弧炉三相电极调节系统的仿真结果表明,这种神经网络自适应控制系统具...     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的认真与分析结果,利用该算法实现了基于模糊神经网络的智能控制系统的建立。     

一种基于神经网络的精馏塔自适应控制器设计

针对两输入两输出的隐含非线性系统，设计了一种神经网络自适应控制器，并通过构造Lyapunov函数，得出新的权值变化规律、该方法基于Lyapunov稳定性理论，可证明闭环系统是半全局一致最终有界的(SGUUB)．从二元精馏塔奇异摄动简化模型的仿真结果可以看出，这种控制器有良好的跟踪效果。     

非线性系统的一种变结构自适应控制设计

本文研究了一种含有未知参数非线性系统的变结构自适应控制设计方法,作者首先通过状态反馈和坐标变换将非线性系统变成线性系统,然后将变结构控制与自适应控制结合起来,给出了具有滑动模态的模型参考自适应控制设计方法,从而解决了一类非线性系统的模型跟踪问题。最后应用简单算例证实了该设计方法的可行性。     

带有未知反应参数的一种发酵过程非线性自适应控制

将非线性系统的线性化方法与神经网络在线辨识技术相结合,提出了一种基于神经网络的非线性自适应控制策略,提出的控制策略,对带有未知反应参数的连续发酵过程,取得了良好的控制性能,仿真实验表明,提出的自适应控制方法能够适应过程模型的不确定性,具有较强的鲁棒性。     

一类非线性系统基于Backstepping的自适应稳定控制

针对一类未知高阶非线性系统，提出了一种基于Backstepping和神经网络的自适应稳定控制方法。利用RBF神经网络逼近未知非线性函数，不需要满足匹配条件，基于Backstepping方法调节网络权值。在控制律中引入非线性衰减项和σ-修正项保证了网络权值的稳定性，阻止了参数漂移。通过Lyapunov直接方法，证明了整个闭环系统的最终一致有界性。该方法扩展了自适应Backstepping和自适应NN控制的应用范围，适于并行计算，仿真结果表明了该算法的有效性。     

一种基于神经网络的精馏塔自适应控制器设计

针对两输入两输出的隐含非线性系统,设计了一种神经网络自适应控制器,并通过构造Lyapunov函数,得出新的权值变化规律.该方法基于Lyapunov稳定性理论,可证明闭环系统是半全局一致最终有界的(SGUUB).从二元精馏塔奇异摄动简化模型的仿真结果可以看出,这种控制器有良好的跟踪效果.     

神经网络自适应控制系统

提出了一种基于神经网络的自适应控制系统，其中一神经网络用于辩识非线性系统，另一神经网络作为控制器，依据本文推出的自适应算法得出了满意的仿真的结果。     

基于神经网络的非线性控制系统

研究基于神经网络的非线性系统控制，对生物反应器过程进行直接自适应神经网络控制，以BP网络为控制器，采用BP算法，控制效果良好．神经网络应用在对非线性系统建模和仿真，给非线性控制系统提供了良好的解决方法．     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

基于动态递归神经网络的自适应控制非线性系统研究

提出一种基于动态递归神经网络的自适应控制器,该控制器能通过自学习进行适应性控制,且结构简单,易于实现。其主要特点是能够提供一个跟踪网络来辩识系统模型,进而确定控制器的网络参数,实现间接自适应神经网络控制。经过对大量非线性系统的仿真研究,证明其具有良好的控制性能。     

一种神经网络自适应控制算法

提出了一种基于对象正向模型的神经网络自适应控制算法,它将神经网络与优化方法相结合,对控制量进行优化迭代求解。仿真表明,应用该算法后,系统响应速度快,超调量小,无稳态误差,控制效果好。     

一类基于FNN的非线性系统自适应控制

模糊神经网络用于控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于模糊神经网络具有学习能力和自适应性，使得其能对变化的环境有自适应性，控制器也基本上不依赖于模型，针对一类非线性系统，利用模糊神经网络对系统进行建模提出一种鲁棒自适应控制方法。首先利用李雅普诺夫定理证明在一定的条件下，闭环系统必能稳定，并证明这个条件即非线性函数f(x)中的x必落入某一紧集中成立，同时考虑其控制性能，选择鲁棒控制量，使跟踪误差达到要求的性能指标。理论分析和仿真结果说明了该控制算法的可行性和有效性。     

一种新型的模糊神经网络自适应控制系统

结合神经网络控制和模糊控制的各自特点,提出了一种新的基于神经网络的模糊自适应控制算法,并给出了该算法的仿真与分析结果.利用该算法实现了基于模糊神经网络的智能控制系统的建立.