非线性系统模糊神经网络变结构自适应控制

在非线性系统的模糊动力学模型基础上,提出一种模糊神经网络变结构自适应控制器;网络的结构根据非线性系统特性动态构成,基于该网络提出非线性预测器,基于梯度法提出了一种网络参数学习算法,并分析了收敛性及其性质。将网络预测器与参数学习算法相结合,构成自适应控制算法,证明了算法的收敛性。仿真结果证实了算法的有效性。     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

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。     

基于积分型切换函数的自适应神经网络控制

针对一类具有未知函数控制增益的非线性系统,利用RBF神经网络的逼近能力,依据滑模控制原理,提出了一种直接自适应神经网络控制器设计新方案。通过引入积分型切换函数及逼近误差自适应补偿项,监督控制用饱和函数代替符号函数,根据李雅普诺夫稳定性理论,证明了闭环系统是全局稳定的,跟踪误差收敛到零。该算法应用于连续搅拌型化学反应器CSTR（Continuous Stirred Tank Reactor）,仿真结果显示,该算法能很好地使CSTR跟踪给定的温度信号,表明了该控制策略的有效性。     

一种模糊神经网络自适应预测控制方案的研究

提出了一种模糊神经网络自适应预测控制方案,对学习公式进行了理论推导,并结合误差补偿以提高预测控制的精度。仿真实验表明,该算法可实现模糊控制和神经网络的优势互补,对非线性复杂系统具备良好的控制性能     

Neural and Neurofuzzy FELA Adaptive Robot Control Using Feedforward and Counterpropagation Networks

In this paper, the application of neural networks and neurofuzzy systems to the control of robotic manipulators is examined. Two main control structures are presented in a comparative manner. The first is a Counter Propagation Network-based Fuzzy Controller (CPN-FC) which is able to self-organize and correct on-line its rule base. The self-tuning capability of the fuzzy logic controller is attained by taking advantage of the structural equivalence between the fuzzy logic controller and a counterpropagation network. The second control structure is a more familiar neural adaptive controller based on a feedforward (MLP) network. The neural controller learns the inverse dynamics of the robot joints, and gradually eliminates the model uncertainties and disturbances. Both schemes cooperate with the computed torque control algorithm, and in that way the reduction of their complexity is achieved. The ability of adaptive fuzzy systems to compete with neural networks in difficult control problems is demonstrated. A sufficient set of numerical results is included.     

自适应模糊神经网络控制器在电阻加热炉中的应用

提出一种自适应模糊神经网络控制器,着重讨论了自适应模糊神经网络的混合学习算法和自适应动量解耦的最速下降法。给出了适于非线性时滞、基于径向基函数网络和自适应模糊神经网络控制器的控制方案,并把它用在电阻加热炉中。实际应用表明,模糊神经网络控制器具有良好的控制效果。     

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。     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

基于神经网络的反馈式自适应逆控制系统

由于在建立非线性逆模型时采用带有复杂非线性函数的滤波器来完成,而由此带来了结构复杂、运算量大等缺点,在实际运用上受到了很多限制.为此,采用较为简单的线性逆控制方式与单层神经网络相结合构成逆控制结构,其良好的非线性特性使系统具有逼近任何非线性模型的能力,且结构简单实用.应用举例表明这种方法在运算量和控制性能上均取得了非常好的效果.     

基于高斯势函数网络的自适应PID控制系统

提出一类基于GPFN(Gaussian Potential Function Networds)网络的自适应PID控制系统。该控制系统由两个GPFN网络组成,一个完成PID学习控制器,另一个完成未知被控对象模型的建立。为加快网络学习过程,提出了广义递归最小二乘(GRLS)学习算法,并推导了控制器网络所需的学习信号。仿真结果表明了该方法的有效性。     

基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

基于神经网络的多变量非线性自适应解耦控制研究

提出神经网络前馈自适应解耦控制算法．该算法将多变量非线性系统在平衡点处利用Taylor公式展开．分为线性部分和高阶非线性部分。这样．将高阶非线性部分的影响视为可测干扰，采用前馈补偿的方法加以消除．就可以借助多变量线性系统的自适应解耦控制算法．实现多变量非线性系统的自适应解耦控制．这种方法可以取消被解耦系统为最小相位的限制。