非线性多变量零阶接近有界系统的多模型自适应控制

针对一类多变量非线性离散时间系统,提出一种新的基于神经网络的多模型自适应控制方法.为了将非线性系统的高阶非线性项的限制条件放宽到零阶接近有界,该方法引入了一种新的非线性模型.该模型在传统线性回归模型基础上增加了非线性补偿项,使模型的估计误差有界.一个神经网络模型与非线性模型同时被用来对系统进行辨识.基于性能指标的切换机构选择性能较好的模型对应的控制器 对系统进行控制. 理论分析证明了零阶接近有界多模型自适应控制系统的有界输 入和有界输出稳定性. 仿真实验说明了提出的多模型自适应控制方法的有效性.     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

一类非线性多变量系统的多模型自适应控制

针对一类不确定的非线性多变量离散时间动态系统,提出了一种基于切换的多模型自适应控制方法.该控制方法的特点在于以下两个方面:首先,引入一个高阶差分算子使得非线性系统的非线性项的限制条件不再要求全局有界;其次,提出的控制方法由线性自适应控制器、神经网络非线性自适应控制器以及切换机构组成:线性控制器用来保证闭环系统的输入输出信号有界,神经网络非线性控制器用来改善闭环系统的性能,基于性能指标的切换机构在每一时刻选择性能指标较好的控制器对系统进行控制.理论分析和仿真实验说明了提出的多模型自适应控制方法的有效性.     

一类非线性非最小相位系统的直接自适应控制

针对一类不确定的离散时间非线性非最小相位动态系统,提出了一种基于神经网络和多模型的直接自适应控制方法．该控制方法由线性直接自适应控制器,神经网络非线性直接自适应控制器以及切换机构组成．线性控制器用来保证闭环系统输入输出信号有界,非线性控制器用来改善系统性能．切换策略通过对上述两种控制器的切换,保证闭环系统输入输出有界的同时,改善了系统性能．理论分析以及仿真结果表明了所提出的直接自适应控制方法的有效性．     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

基于未建模动态补偿的非线性自适应切换控制方法

针对一类不确定的离散时间零动态不稳定的单输入-单输出(Single-input single-output, SISO)非线性系统,提出了一种基于未建模动态补偿的非线性控制器. 采用自适应神经模糊推理系统(Adaptive-network-based fuzzy inference system, ANFIS)和一一映射相结合的方法估计未建模动态.在此基础上,提出了由线性自 适应控制器、非线性自适应控制器以及切换机制组成的自适应切换控制方法.该方法通过对上述两种控制器的切换, 保证闭环系统输入输出信号有界的同时,改善系统性能.本文将要求未建模动态全局有界的条件放宽为线性增长, 建立了所提自适应控制方法的稳定性和收敛性分析.通过仿真比较和水箱的液位控制实验,验证了所提方法的有效性.     

基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

具有零动态的SISO仿射非线性系统的神经网络自适应跟踪控制

针对具有零动态的SISO仿射非线性系统提出了一种神经网络直接自适应跟踪控制方法.采用梯度下降算法最小化未知理想控制器与神经网络控制器的误差代价函数以获得参数自适应律,控制器中无需另加鲁棒控制项.基于Lyapunov稳定性定理证明了在该控制器的作用下能保证输出跟踪误差及相应闭环系统的所有状态最终一致有界及神经网络参数的收敛性.仿真结果验证了该文方法的有效性.     

基于神经网络和多模型的非线性离散自适应控制

针对一类非线性离散时间单变量系统,提出了基于多模型切换策略的非线性自适应控制方法.首先将被控系统划分为多个工作区间,然后在每个工作区间内建立1个线性自适应控制器和1个非线性神经网络自适应控制器.线性控制器可以保证系统的稳定性,神经网络非线性控制器可以有效的改善系统的暂态性能,采用有效的切换策略可以在保证系统稳定的情况下很好的改善系统的性能.仿真结果验证了所提出方法的有效性.     

Nonlinear multivariable adaptive control using multiple models and neural networks

In this paper, a multivariable adaptive control approach is proposed for a class of unknown nonlinear multivariable discrete-time dynamical systems. By introducing a k-difference operator, the nonlinear terms of the system are not required to be globally bounded. The proposed adaptive control scheme is composed of a linear adaptive controller, a neural-network-based nonlinear adaptive controller and a switching mechanism. The linear controller can assure boundedness of the input and output signals, and the neural network nonlinear controller can improve performance of the system. By using the switching scheme between the linear and nonlinear controllers, it is demonstrated that improved performance and stability can be achieved simultaneously. Theory analysis and simulation results are presented to show the effectiveness of the proposed method.     

Robust Adaptive Control of Robots Using Neural Network: Global Stability

A desired compensation adaptive law‐based neural network (DCAL‐NN) controller is proposed for the robust position control of rigid‐link robots. The NN is used to approximate a highly nonlinear function. The controller can guarantee the global asymptotic stability of tracking errors and boundedness of NN weights. In addition, the NN weights here are tuned on‐line, with no offline learning phase required. When compared with standard adaptive robot controllers, we do not require linearity in the parameters, or lengthy and tedious preliminary analysis to determine a regression matrix. The controller can be regarded as a universal reusable controller because the same controller can be applied to any type of rigid robots without any modifications. A comparative simulation study with different robust and adaptive controllers is included.     

再入机动飞行器的模糊自适应H2/H∞ 控制

针对再入机动飞行器(MRV)动态的非线性和不确定性,将模糊自适应理论与鲁棒H2/H∞控制理论相结合,提出一种MRV的模糊自适应H2/H∞控制方法。该方法利用模糊逻辑系统逼近导弹模型的非线性函数,补偿其建模的不确定性;并且基于H2/H∞混合优化控制与非零和博弈理论,设计了鲁棒H2/H∞控制器补偿模糊系统的逼近误差和外界干扰,进而改善控制性能,使得性能指标在达到最优化的同时满足H2/H∞性能指标。通过仿真分析,验证了所提出控制方法的有效性。     

Controller Design Using Walsh‐Basis‐Function Neural Networks

ABSTRACT This paper investigates the function approximation problem by using Walsh functions to establish a Walsh‐basis‐function neural network (WBFNN). The proposed novel system avoids the possible heavy computation problem of a controller usually encountered in adaptive neural controller design. With the developed adaptation scheme combined with the sliding mode control strategy for a class of nonlinear systems, the proposed WBFNN‐based controller can guarantee global stability of the closed‐loop system in the Lyapunov sense. The output tracking error then converges to zero asymptotically, and boundedness of all the signals in the whole system is ensured. Simulation validation for a nonlinear unstable system was performed to verify the effectiveness of the proposed controller design.     

Observer-based Finite-time Control of Stochastic Non-strict-feedback Nonlinear Systems

This paper investigates the observer-based adaptive finite-time neural control issue of stochastic non-strict-feedback nonlinear systems. By establishing a state observer and utilizing the approximation property of the neural network, an adaptive neural network output-feedback controller is constructed. The controller solves the issue that the states of stochastic nonlinear system cannot be measured, and assures that all signals in the closed-loop system are bounded. Different from the existing adaptive control researches of stochastic nonlinear systems with unmeasured states, the proposed control scheme can guarantee the finite-time stability of the stochastic nonlinear systems. Furthermore, the effectiveness of the proposed control approach is verified by the simulation results.

     

考虑LuGre 摩擦的伺服系统自适应模糊控制

针对摩擦非线性的存在会使伺服系统控制精度难以提高的问题,建立了考虑动态LuGre摩擦的伺服系统数学模型,在系统参数和负载转矩未知的情况下设计了自适应模糊控制器,用自适应模糊逻辑系统在线逼近包含LuGre摩擦在内的非线性环节,从而实现了伺服系统高精度的位置跟踪。利用Lyapunov函数证明了闭环系统的稳定性。仿真结果表明,该控制器能有效地补偿摩擦非线性的影响,并对负载转矩变化具有较强的鲁棒性。     

Multiple-model-and-neural-network-based nonlinear multivariable adaptive control

A multivariable adaptive controller feasible for implementation on distributed computer systems (DCS) is presented for a class of uncertain nonlinear multivariable discrete time systems. The adaptive controller is composed of a linear adaptive controller, a neural network nonlinear adaptive controller and a switching mechanism. The linear controller can provide boundedness of the input and output signals, and the nonlinear controller can improve the performance of the system. The purpose of using the switching mechanism is to obtain the improved system performance and stability simultaneously. Theory analysis and simulation results are presented to show the effectiveness of the proposed method.