一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

基于神经网络的非线性系统稳定自适应控制

本文针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统 ,提出了一种基于神经网络的稳定自适应输出跟踪控制方法 .用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

ROBUST ADAPTIVE CONTROL FOR STRICT‐FEEDBACK NONLINEAR SYSTEMS

In this paper, we propose a robust adaptive tracking control based on the backstepping strategy for strict‐feedback nonlinear systems with nonparametric uncertain nonlinearities. It is shown that one can design a stable adaptive control system provided that the uncertain nonlinearities can be decomposed by unknown bounded nonlinear functions and known nonlinear functions. The proposed method can deal with uncertain nonlinearities that appear at the control input term too. It is also shown that suitable choice of design parameters guarantees the convergence of tracking error to any desired bound.     

挠性结构的输出反馈低阶自适应控制

在模型参考自适应方法的框架上,研究了挠性空间结构的输出反馈鲁棒自适应控制方法,对其稳定性与动态性能进行了理论分析,该方法通过在标准控制律中增加控制补偿项,利用挠性结构的特点,将所能容许的乘性模型不确定性的H∞范数提高到接近1的程度,控制系统的动态性能可由控制器的设计参数调节.对该方法进行了数值实验验证.     

一般非线性系统的控制解耦

本文利用微分几何方法,讨论了一般非线性系统的反馈解耦和无交互控制问题,给出了一般非线性系统的状态方程反馈解耦及块输入-块输出无交互控制问题可解的充分必要条件.     

一种新型模糊神经元网络控制器的设计方法

本文根据模糊基函数展开的性质构造出一种简化形式的模糊神经元网络（ＦＮＮ）。这种网络可以对任一种非线性函数进行全局逼近，因此它可以用于非线性控制系统。因为这种ＦＮＮ具有自适应性，所以用它实现的器可以更好地达到理想的控制效果，通过在模型参控制中的应用证明了此种ＦＮＮ的有效怀。     

几种模糊神经网络系统关系的对比研究

本文对几种不同结构形式的模糊神经网络系统 ,从不同的模糊逻辑算式入手,对所具有的功能、不同的表达式及其相互之间的关系式,以 及所表现出来的优缺点进行深入的分析与对比研究,从而揭示模糊逻辑系统的实质内容,为 选择和应用模糊神经网络的设计方法提供一些作者的见解．     

基于组合神经网络模型的函数逼近方法

在通用函数逼近定理基础上,介绍了一种将反向传播神经网络和径向基神经网络模型相接合的组合神经网络模型,并将该模型应用于上海证券指数的预测.仿真实验结果表明,该模型很好地减小了预测值和实际值之间的误差,预测效果也优于普通的反向传播神经网络模型.     

非线性交叉严格反馈系统的一种构造性设计方法

讨论非线性交叉严格反馈(cross strict feeback)系统的镇定问题,针对这类系统首次提出交叉回退(cross backsteping)设计方法,证明了整个控制系统的全局稳定性,并用仿真算例验证了方法的正确性.其结果大大拓宽了backstepping方法的适用范围.     

采样非线性系统的动态神经网络稳定自适应控制

研究了一类采样数据非线性系统的动态神经网络稳定自适应控制方法.不同于静态神经网络自适应控制,动态神经网络自适应控制中神经网络用于逼近整个采样数据非线性系统,而不是动态系统中的非线性分量.系统的控制律由神经网络系统的动态逆、自适应补偿项和神经变结构鲁棒控制项组成.神经变结构控制用于保证系统的全局稳定性,并加速动态神经网络系统的适近速度.证明了动态神经网络自适应控制系统的稳定性,并得到了动态神经网络系统的学习算法.仿真研究表明,基于动态神经网络的非线性系统稳定自适应控制方法较基于静态神经网络的自适应方法具有更好的性能.     

四足步行机器人模糊神经网络控制

本文以模糊控制与神经网络应用于四足步行机器人的力与位置混合控制系统为目的，针对ＪＴＵＷＭ－ＩＩ四足步行机器人，进行了有关神经网络、模糊控制的理论研究和实验     

一种非线性和时滞系统自适应控制方法

提出一种新的基于高斯基函数(GPFN-G aussian potential function networks)网络的内模控制算法,并对高斯基函数网络内部模 型和内模控制器的建立进行了深入分析．仿真及实时控制结果表明该算法是有效的,具有很 好的自适应性和鲁棒性,可以应用于具有时滞和非线性时变系统中．     

非线性系统的模型参考神经网络控制

提出了一种未知非线性动力学系统的神经网络控制策略，用动态多层ＢＰ网进行辨识，静态网进行控制，控制器结构简单，收敛快泛化能力强，仿真结果表明，该策略对几类非线性系统的控制是有效的，且适用于多值逆映射非线性系统，可用于实时控制。     

AUV深度的模糊神经网络滑模控制

本文设计了一个模糊神经网络滑模变结构控制器，通过模糊神经网络对滑模控制律 的控制增益进行在线调整，并在海浪干扰条件下，用此控制器对AUV进行深度控制．仿真结 果验证了该智能控制方法具有很好的控制性能和鲁棒牲．     

严格反馈随机非线性系统风险灵敏度输出反馈控制器设计

研究了一类严格反馈随机非线性系统的输出反馈设计问题.在无限时区风险灵敏度指标下,应用积分反推(integrator backstepping)技术,设计了控制器.所设计的控制器能够保障对任意风险灵敏度系数具有任意小的指标,并且闭环系统为概率意义下有界的.特别地,所设计的控制器还能保证控制器的平衡条件.仿真例子验证了理论结果的正确性.     

一类非最小相位非线性系统的神经网络自适应控制策略

针对一类非最小相位非线性系统，基于线性化和前馈补偿的思想，提出了神经自适应控制算法。得到了前馈控制律的闭环稳定性分析，并给出仿真结果。     

仿射非线性系统神经网络自适应控制器的研究及其在机械手中的应用

本文提出了一种利用神经网络逼近具有不确定性及 随机干扰的仿射非线性系统的新算法,采用自适应控制率在线调节网络权值,并基于控制理 论选择控制量以削减噪声干扰．从理论上证明采用该算法后系统全局稳定性．最后将该算法 用于两连杆机械手轨迹跟踪,仿真结果表明该算法具有跟踪精度高,收敛速度快的优点．     

提高变型标准遗传算法收敛速度的混合法及其推广

针对即使是全局收敛的变型标准遗传算法ＶＣＧＡ［１］有时也会发生收敛速度变慢的问题，提出了ＶＣＧＡ和最陡下降法相结合的混合法ＨＶＣＳＤＡ．该方法增强了ＶＣＧＡ在接近全局最优解时的微调能力．还将ＨＶＣＳＤＡ推广到一类修正的ＶＣＧＡ上．仿真实例表明了ＨＶＣＳＤＡ及其推广能有效地提高收敛速度．对３０城市ＴＳＰ的仿真结果为６．８２２，要好于用ＴＡＢＵ得到的６．９９的结果［６］．