非线性系统中自调整模糊神经网络控制方法的应用研究

针对难以解决的纯滞后非线性系统控制,提出一种基于自调整模糊神经网络控制的辨识Smith预估方法,采用模糊神经网络与PID控制动态复合,保持了模糊控制较强的鲁棒性和神经网络可以任意逼近非线性系统的能力以及PID调解器消除静态误差的优点.同时利用神经网络进行参数在线辨识以构成Smith预估器,适应了被控对象的实时变化.在热连轧中的仿真结果证明了该方法的有效性.     

基于观测器的混合直接自适应模糊辨识与控制

针对一类状态不可测的单输入单输出非线性不确定系统,提出了一种基于观测器的混合直接自适应模糊辨识与控制方法。设计中,将观测器、直接自适应模糊控制器与白适应模糊辨识模型相结合,用跟踪误差估计和辨识误差去调整系统的参数,以取得更好的逼近和跟踪效果。基于Lyapunov方法,证明了闭环系统的稳定性,跟踪误差渐近收敛剑零点的一个小邻域内,仿真结果验证了该方法的有效性。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

非线性动态系统的模糊神经网络自适应H∞鲁棒控制

针对非线性动态系统不稳定性,提出了一种基于模糊神经网络的H∞鲁棒直接自适应控制方法,通过设计非线性动态系统的H∞控制器,采用模糊神经网络在线学习对动态系统的建模不确定性产生的误差,可保证不确定闭环稳定并具有H∞性能,并证明了模糊神经网络H∞鲁棒直接自适应控制系统的稳定性,仿真算例也表明了该方法具有较好的抗干扰性能、鲁棒性较好.     

履带式移动机械臂的自适应模糊滑模控制

针对非线性及不确定性复杂环境下非完整移动机械臂控制系统,提出了一种基于自适应模糊控制和非奇异终端滑模控制相结合的轨迹跟踪控制方法。该方法在对非完整移动机械臂建立动力学模型的基础上,采用模糊高斯基函数神经网络的非线性逼近性能,优化补偿常规方法在移动机械臂系统中难以解决的系统未知参数不确定性,并通过应用非奇异终端滑模控制来消除未知外界干扰和模糊控制逼近误差对系统的影响,提高了系统的鲁棒性和控制性能。应用Lyapunov稳定性理论,证明了控制系统的稳定性,仿真试验结果验证了该方法的有效性和优越性。     

基于动态递归模糊神经网络的动态系统辨识

模糊系统和神经网络由于具有逼近任意连续非线性映射的特性而广泛应用于系统的辨识和控制，但是传统的模糊神经网络是一种静态映射，不适用于动态系统的辨识，而现实工程中的控制对象反映的是系统的动态行为．为了提高动态系统的辨识精度，提出了一种新型的动态递归模糊神经网络，并根据动态递归神经网络的数学模型推导其动态反向传播学习算法及其改进算法．仿真结果表明：由于动态模糊神经网络的辨识过程同时利用了系统的当前数据和历史数据，对动态系统的辨识，特别是对具有纯时间延迟动态系统的辨识，较传统模糊神经网络在辨识精度和稳定性方面具有更好的效果．同时，确定网络权值和隶属函数参数初始值的方法可使动态系统的辨识过程具有更快的收敛速度．     

基于超稳定理论的间接自适应模糊控制器

针对一类单输入单输出非线性不确定对象,利用Popov超稳定理论提出一种新的间接自适应模糊控制器设计方法,构造了参数可调的模糊控制器在线逼近理想控制器,推导出模糊控制器的参数自适应律,并对系统状态的有界性进行了分析.最后分别利用一阶非线性对象和Duffing强迫振荡对象对该方案进行了仿真,结果验证了方案对非线性对象具有良好的控制效果.该方法能够保证系统输出渐近收敛到给定的参考信号,并放宽了对最小逼近误差的限制,同时可获得更为灵活的参数调节形式.     

不确定非线性系统高精度自适应模糊控制

针对一类未知边界函数的不确定仿射非线性系统,提出一种高跟踪精度特性的自适应模糊控制器。基于变论域模糊系统理论证明了最优逼近误差在特定条件下具有局部收敛特性。通过以跟踪误差作为输入并选择适当的自适应参数,设计出逼近误差局部收敛的自适应模糊控制器。以最优逼近误差存在未知上确界为主要假设,证明了闭环系统在所有信号一致有界意义下的稳定性和跟踪误差收敛性。该控制器无需附加补偿器即可在理论上消除逼近误差对跟踪误差的影响,从而实现平滑控制输入下的高精度跟踪性能。单力臂机械手控制的仿真结果表明了该方法的有效性。     

一类非线性系统的混合自适应模糊辨识与控制

采用非线性模糊系统(即第二类模糊逻辑系统)来实现一类非线性系统的模糊辨识和控制,结合模型辨识过程中的模型误差和模型控制过程中的跟踪误差,提出了一个混合自适应律,运用BP算法对该自适应律进行了在线调整,使辨识参数和控制参数同时达到最优;利用Lyapunov方法证明了该控制算法的稳定性,改善了跟踪速度等性能.     

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。     

基于递归小脑神经网络的模糊自适应控制

为解决一类不确定非线性系统控制问题,提出了小脑神经网络模糊自适应算法.将系统分为标称模型、参数不确定部分以及包含建模误差、干扰及未建模动态等在内的混合干扰项,用模糊自适应控制实时逼近系统各个不确定参数,用鲁棒控制消除混合干扰,并设计了递归小脑模型关节控制器作为观测器来对混合干扰的上界进行实时逼近.李亚普诺夫理论证明了控制算法可使系统一致有界稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性,研究结论对复杂非线性系统的有效控制提供了依据.     

基于边界值定量计算的神经网络自适应飞行控制

针对一般多输入多输出不确定系统,设计了一种基于自适应神经网络误差观测器控制方法。通过对一般多输入多输出系统进行匹配与非匹配两种不确定性分析,采用自适应神经网络对不确定因素导致的误差进行逼近补偿,采用Lyapunov定理证明了误差收敛有界,并计算了误差的边界值。最后将设计的控制律应用到不确定飞行器的指令跟踪控制中。仿真结果证明了该方法的有效性。     

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。     

基于T-S模型的自适应模糊预测函数控制

针对多变量非线性系统，提出一种基于Takagi-Sugeno(T-S)模型的自适应模糊预测函数控制方法.在T-S模糊模型结构已确定情况下，利用加权递推最小二乘法对T-S模糊模型后件参数进行在线辨识.对模糊模型在每一采样点进行线性化，将描述非线性系统的T-S模型转化为线性时变的状态空间模型，并假设输入基函数为阶跃函数，推导出预测控制律的解析式.仿真结果表明，该方法在求解控制律时，无需求解非线性优化问题，并且有效克服了模型失配对系统控制性能的影响，增强了系统的跟踪性能和鲁棒性.     

基于改进T-S模型的热工过程模糊辨识算法

提出了一种实用的基于T-S模型的热工系统模糊辨识方法。采用启发性知识与复合非线性优化方法相结合的综合方法求解出模糊模型的结构,然后通过基于熵的聚类和竞争学习算法对热工过程的输入数据空间进行划分,在此基础上利用递推最小二乘辨识算法建立一个热工过程的T-S模型。文中给出了熟知的Box-Jenkins数据的辨识结果,并将该方法应用于辨识单元机组的协调控制系统。     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因.本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法,即改变神经网络输入样本区间,利用网络输出期望值与输出实际值之间的误差平方和产生的突变,可以辨识出非线性对象的延迟时间.将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合,可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制.仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快,鲁棒性能好等优点.     

遗传算法-模糊聚类动态模糊神经网络辨识

针对非线性系统辨识特点,在剖析具有递归环节的T-S模糊神经网络结构的同时,提出了一种新型的3步设计优化方案,即非线性区域的线性划分、离线训练和在线辨识.将融合了模糊c-mean聚类(GA-FCM)(称为双群体并行聚类)算法引入到RTSFNN中,对非线性系统的输入输出空间进行聚类(线性划分),再在每个线性区域上建立ARMAX模型;利用GA实数编码,同时优化前件隶属函数的中心和宽度、递归增益及后件参数;在线时利用FCM在线分析输入数据特征,确定是否对现有划分进行改动,并利用GA迭代一定代数优化其他参数,直到误差满足要求为止.通过对非线性动态系统的辨识仿真,验证了所提出方法在训练时的寻优速度、训练误差及校验误差指标上均有很大优势.     

基于模型预测的神经网络非线性时滞系统的辨识和控制

大纯时延、媒种多变、蒸汽负荷频繁变化是链条炉难以进行良好燃烧控制的原因。本文提出了非线性延迟系统的延迟时间参数的神经网络辨识方法，即改变神经网络输入样本区间，利用网络输出期望值与输出实际值之间的误差平方和产生的突变，可以辨识出非线性对象的延迟时间。将神经网络大延迟系统的辨识与基于模型预测的神经网络控制策略相结合，可以用于对具有变化参数或不确定性延迟时间的非线性大延迟系统的控制。仿真结果表明这种神经网络模型对非线性大纯时延系统的控制具有控制速度快，鲁棒性能好等优点。     

带钢纠偏系统的神经网络辨识

针对退火炉内连续带钢纠偏系统控制和改善纠偏系统性能领域建立准确系统动态模型的需要,建立一种回归神经网络辨识非线性水平摆动式带钢纠偏系统数学模型,研究具有内部状态反馈的神经网络和误差能量最小的网络权重训练算法.利用辨识实验获得输入/输出数据动态调整网络权值.辨识结果表明:神经网络描述的带钢纠偏系统数学模型有较高精度,权重...     

基于动态模糊神经网络的非线性系统辨识

在分析模糊神经网络辨识特点及现状的基础上,设计了一种适用于非线性多输入系统的辨识模型。本模型将T-S模糊模型与5层动态模糊神经网络结构相结合,通过参数学习算法优化辨识结构,对辨识模型进行反馈调节,得到的辨识精度较高。另外,对输入数据采用归一化的方法进行预处理,加快了网络的辨识速率。最后,通过仿真实例证明了该设计的有效性,为模糊神经网络辨识结构的设计提供了一种新的思路和方法。