一类基于RBF神经网络的动态系统在线自适应辨识方法

研究了基于神经网络的动态系统在线自适应辨识模型的基本结构,依据RBF（R adial Basis Function）网络线性输出的特点,给出了辨识模型参数的在线自适应校正的方 法,并进行了仿真实验,结果表明,该辨识模型校正方法具有一般性和实用性．     

一类非线性动态系统的Hammerst ein 模型辨识

本文根据薄膜热电偶传感器动态标定实验结果,研究了辨识一类非线性系统模型的方法。文中采用Ｈａｍｍｅｒｓｔｅｉｎ模型作为系统结构,在此基础上,对模型参数加以估计。考虑到动态系统各环节之间的输入输出关系,进一步简化了Ｈａｍｍｅｒｓｔｅｉｎ模型结构,以便运用简便我方法来估计模型参数。通过对几组实验数据的仿真和检验,证明本文所采用的方法能够获得较好的辨识效果。     

切换网络拓扑下Euler-Lagrange系统的分布式协调控制

研究切换网络拓扑下含未知参数的分布式Euler-Lagrange系统(简称EL系统)的自适应协调控制问题.通过引入一种新颖的自适应控制构架,设计了分散式控制器,使其容许未知的系统参数.基于图论,Lyapunov稳定性理论以及切换控制理论证明了算法的稳定性.本文特色在于在同一理论框架下处理EL系统协调控制中的未知参数问题与切换拓扑问题,实现静态和动态两种情况下的控制目标.仿真结果验证了算法的有效性.     

一类多变量非线性动态系统的模糊自适应控制

对一类非线性多变量未知动态系统，提出了一种模糊处在适应控制策略。证明了该控制算法能保证闭环系统稳定，跟踪误差收敛。     

时延网络中 Euler-Lagrange 系统的分布式自适应协调控制

对一类含未知参数的Euler-Lagrange系统协调控制问题进行了研究, 提出了一种自适应控制算法. 该算法容许通信网络为最一般的伪强连通图, 并允许通信时延的存在. 对系统中领航者为静态和动态两种情况分别进行了研究, 设计了相应的控制器.研究结果表明,在仅有部分个体能够和领航者进行通信的情况下, 控制器能保证网络中其他个体最终和领航者趋于一致. 运用Lyapunov稳定性定理和Barbalat 定理等对自适应控制器的稳定性进行了证明,并利用数值仿真验证了算法的有效性.     

一类未知多变量非线性系统的动态神经网络自适应控制

对一类未知的非线性的多变量系统，提出了用动态神经网络实现直接自适应控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习律，避免了递归训练过程，闭环系统被证明是鲁棒稳定的，跟踪误差收敛到一个小的残集，这种方法的特点是即不需要离线学习阶段也不要求初始的参数误差足够小，仿真结果验证了提出的动态网络的自适应控制算法的有效性。     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

一类离散时间时变系统的自适应辨识与控制

考虑一类离散时间时变系统（ＴＶＳ）的建模、系统参数时变描述及其自适应控制问题,提出一种新的能结合“快”、“慢”时变特性的ＴＶＳ参数时变描述方法,基于零极点配置给出自适应辨识和控制算法及其控制系统的稳定性。仿真结果说明该控制策略是有效的。     

动态系统时变参数辨识的一种途径

本文提出了一种克服动态系统时变参数辨识所遇到的观测数据不能“充分丰富”这一本质性困难的方法。这一方法把时变参数辨识分两步来完成。首先应用多项式逼近把时变参数的离线辨识化成了非时变参数的辨识;其次以离线辨识所得的参数估值为基础,建立起它所满足的数学模型或得出时变参数一定步长的预报值。     

一类非线性时滞系统的自适应模糊动态面控制

针对一类具有未知方向增益函数的严格反馈非线性时滞系统, 提出了一种自适应模糊动态面控制(Dynamic surface control, DSC)算法. 通过利用DSC设计技术和Lyapunov-Krasovskii函数, 该算法不仅克服了计算膨胀的问题, 而且补偿了未知的时滞. 采用Nussbaum函数解决了虚拟控制增益的符号问题, 并且避免了控制器的奇异性. 所设计的控制器保证了闭环系统所有的状态和信号是半全局有界的, 并且通过选择合适的设计参数可使跟踪误差为任意小. 仿真结果表明了所提出控制器的有效性.     

高阶系统次优控制集结设计方法

针对现有集结降阶方法计算量大，或者不能保证精确集结，本文给出一种新的精确集结降阶算法，提出一种基于精确集结模型，设计高阶系统的低阶次优线性调节器和集结状态降维观测器的方法。     

非线性大系统的分散线性化与分散控制

将非线性控制系统的精确线性化方法应用于非线性大系统,提出了非线性大系统 的分散线性化方法,并得到了非线性系统可分散线性化的充要条件.按照这个方法,可将难度 较大的一类非线性大系统分散控制器的设计转化为易于处理的线性大系统分散控制器的设 计.在得到该线性大系统的分散控制器后,可通过分散坐标变换的逆变换将线性大系统的控 制器变换为原非线性大系统的控制器.同时,控制器的分散性保持不变.该方法明显地降低了 该类非线性大系统分散控制器的设计难度.     

非自衡系统的动态矩阵控制

针对非自衡对象,提出了一种简便的改进ＤＭＣ算法,它克服了现有算法中不能消除输入阶跃扰动所引起的控制余差的局限性。     

一种新的非线性离散动态大系统递阶控制的神经网络方法发*

本文给出了一种新具有全集成化特征的，求解非线性动态大规模系统递阶控制问题（ＬＯＣＰ）的神经网络模型（ＬＨＣＮＮ）该神经网络具有结构简洁，紧凑，高效的特点，适合于动态大规模系统的实时优化控制。     

离散事件动态系统中的控制综合问题

本文将离散事件动态系统（ＤＥＤＳ）监控方法中的控制综合问题作了系统的分类，得到了六种控制综合问题，并将它们表示成泛函极值问题，讨论了它们的可行解，最优解的存在性，可生解集的结构以及相互之间的关系。     

气膜孔视觉测量中的坐标系建立与转换

为了能够应用所搭建的四轴视觉坐标测量系统对批量气膜孔的分布位置进行检测,结合四轴运动系统与工业相机的特点,开展了将测量数据由图像空间转化到叶片空间过程中的坐标系建立与转换关系研究。在应用过程中,建立了图像像素坐标系、图像物理坐标系、基准坐标系、回转台坐标系和叶片坐标系,并确立了这些坐标系之间的相互转换关系,从而实现了将工业相机所采集到的图像数据转化成物理测量数据,并最终转换到叶片坐标系中。最后,为了验证该方法的正确性和有效性,选取了某个高压涡轮导向叶片作为被测物,首先对其上的一个气膜孔进行了分布位置的多次等精度重复测量实验,检验了该测量系统的重复性精度,而后对该叶片上的一排12个气膜孔进行了测量实验。实验结果表明,本文所提出的坐标系建立与转换方法,可以完成气膜孔分布位置的检测任务,从而为后续与气膜孔的设计数据进行比对并做出评价奠定了坚实基础。     

基于网络控制的若干基本问题的思考和分析

网络技术的广泛应用,对控制系统的理论和应用都提出了新的挑战,同时也带来了崭新的研究机遇和发展空间.文中初步地探讨了一些基于网络控制的基本问题及其简单分析.这些问题可能只是基于网络控制的一小部分,或许在许多情况下根本不成为"基本"问题.该文的主要目的是抛砖引玉,希望引起更多专家的关注,进而形成一套完整的基于网络控制的系统理论.     

基于多神经元模型的非线性系统预测控制

利用单神经元来逼近非线性系统在平衡点邻域内的泰勒展开式的直至二次项,首次提出了一种用多个单神经元模型来拟合非线性系统的建模方法,引入多模型参考轨迹,得到一种新的多模型预测控制。仿真结果表明,基于二阶泰勒级数得到的多神经元模型的预测控制器的性能要优于采用泰勒级数一阶线性项得到的多模型预测控制器,但计算量并未显著增加。     

一类虚拟控制系数未知的随机非线性时滞大系统的适应镇定控制

研究了一类具有未知虚拟控制系数和未知噪声协方差的随机非线性时滞大系统的适应镇定问题. 首先, 针对系统的未知虚拟控制系数和未知噪声协方差, 选取了相应的估计参数; 然后, 针对时变时滞对闭环系统稳定性的影响, 构造了适当形式的Lyapunov-Krasovskii泛函, 采用积分反推方法给出了无记忆状态反馈控制律的系统设计过程. 在一定条件下, 证明了闭环系统平衡点依概率全局稳定, 且除参数估计以外的所有闭环信号几乎均收敛到零点. 仿真算例验证了所给方法的有效性.     

非线性时滞大系统自适应神经网络分散控制

针对一类未知非线性时滞关联大系统,提出一种自适应神经网络分散跟踪控制方案．采用神经网络逼近各子系统内部的非线性函数和关联项中的时滞非线性函数;利用占有方法处理时滞项,采用Backstepping技术设计分散控制律和参数自适应律．基于Lyapunov-Krasoviskii泛函证明了闭环大系统所有信号半全局一致最终有界．通过调节设计参数和增加神经元个数,可以实现任意输出跟踪精度．实例仿真说明了该方案的可行性。