一种非线性系统的鲁棒型预测控制算法

提出一种基于神经网络的鲁棒型广义预测控制(GPC)方法,该方法首先用神经网络对非线性系统进行辨识,然后在控制中将模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,增强控制器的适应能力和鲁棒性.仿真结果表明:将本方法应用于非线性系统控制,对未建模动态具有较强的鲁棒性和控制能力.     

预测模型的单神经元PI控制器

针对工业过程和实际控制对象的慢时变非线性的特点 ,设计了一种预测模型的单神经元 PI控制器。采用单神经元 PI控制算法与神经网络预测模型相结合的控制策略 ,用 PI控制规律来确定控制器的输出。用一个自适应神经元网络作为非线性系统的预测模型 ,估计下一步的输出值 ;用一个单神经元实现 PI控制来优化下一步的控制。利用 Matlab/Sim ulink工具对 PI控制器和预测模型的单神经元 PI控制器进行比较仿真实验 ,其控制对象为典型的非线性系统。仿真实验表明 :预测模型的单神经元 PI控制器具有结构简单 ,计算速度快 ,鲁棒性好等特点     

一类基于对象正向模型的神经网络自适应控制器的设计

提出了一种基于对象正向模型的神经网络自适应控制器 ,该方法只须辨识对象的正向模型 ,将神经网络与优化方法相结合 ,对控制量进行优化迭代求解。仿真结果表明 ,该算法能精确跟踪设定输出 ,响应速度快 ,超调量小 ,无稳定误差 ,控制效果好     

非匹配不确定非线性系统的鲁棒输出跟踪

针对一类非匹配不确定非线性系统,提出一种鲁棒自适应渐近输出跟踪控制方法,该方法无须已知不确定性函数及其各阶导数上界。基于Lyapunov函数方法,给出了鲁棒自适应控制律以及GCMAC神经网络权值调整算法,通过后一个状态镇定前一个状态,最终达到了对期望输出的渐近跟踪,同时系统状态有界。应用于电液位置伺服系统的仿真结果表明该控制策略是有效的,对系统不确定性和未知干扰具有较强的鲁棒性。     

非线性系统模糊神经网络直接自适应控制

提出一种基于模糊神经网络的自适应控制方法。由模糊神经网络构成非线性预测器，利用使预测输出等于参考输出，生成实时控制信号。对自适应算法进行了理论分析，结合实例进行了仿真。     

一类非线性非严格反馈系统的间接自适应神经网络控制

针对一类非严格反馈非线性系统,本文提出了间接自适应神经网络控制器的设计方案,并基于系统函数界函数的单调递增性质,提出了变量分离方法,同时利用间接自适应神经网络控制技术和Backstepping(反推)相结合的方法,构造出间接自适应神经网络状态反馈控制器,所构造的间接自适应控制器,保证了闭环系统的所有信号是半全局有界的,并且系统的所有状态收敛到原点充分小的邻域内,有效地解决了一类非线性非严格反馈系统的自适应神经网络控制问题,并采用数值例子进行仿真实验。仿真结果表明,在本文所提出的控制律的作用下,不但保证了闭环系统的稳定,而且保证所有信号在闭环系统有界。该控制器为一类非严格反馈非线性系统的稳定性控制提供了理论参考。     

基于模糊神经网络的非线性系统预测函数控制研究

针对预测函数控制难以很好地实现非线性系统控制的问题,将模糊神经网络与预测函数控制相结合,设计一种基于模糊神经网络的非线性系统的预测函数控制器。用模糊神经网络辨识非线性系统的模型,辨识结果送到预测函数控制中,从而得到预测模型,最终得到最优的控制量。通过Matlab计算机仿真,可以看出此控制器对于非线性系统具有良好的控制效果和鲁棒性。     

一种局部递归神经网络模型及其在动态系统辨识中的应用

提出了一种局部递归神经网络模型,利用误差回馈原理推导了其学习算法,针对动态系统辨识问题,建立了一个基于该网络的并联辨识方案,仿真结果表明,该网络及其辨识结构具有学习效率高,逼近速度快和不需要要辨识对象的先验知识等特点。     

一类含有滞回故障非线性系统Backstepping变结构控制

为解决执行器发生未知故障情况下不确定非线性系统的控制问题,采用一种自适应Backstepping变结构控制方法,建立了包括滞回非线性和失效、卡死等故障类型的非线性执行器模型.通过径向基函数(radial basis function,RBF)神经网络逼近系统中的未知非线性函数项,神经网络参数根据自适应律实时调整,保证了逼近效果.结合动态面控制,避免了Backstepping控制中的计算复杂性问题.引入的自适应补偿项消除了系统建模误差和不确定干扰的影响,理论分析证明了闭环系统半全局一致最终有界,仿真结果验证了该方法的有效性.     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

基于参考模型神经网络的锅炉燃烧系统控制

大纯时延、煤种多变、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。本文作者提出了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,辨识出非线性对象的延迟时间的方法,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,同时,以10t／h链条炉作为研究对象进行仿真,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。     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。     

一类非线性系统的神经网络控制器设计

针对具有Brunovsky标准型的非线性系统提出一种权系数可在线调节的神经网络自适应控制算法,采用RBF神经网络对系统未知函数进行逼近,并考虑了网络重构误差和外部干扰。利用Lyapunov理论证明了算法能够保证系统的稳定性,仿真结果证明了该方法的有效性。     

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.     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于神经网络的机械手鲁棒输出跟踪控制

针对一类参数未知的机械手输出跟踪鲁棒控制问题，应用输入／输出反馈线性化方法和Lyapunov稳定理论，提出了一种基于神经网络建模的机械手输出跟踪自适应鲁棒控制器，采用三层前向神经网络来逼近未知非线性函数，网络的权值依据Lyapunov稳定性进行实时修正，保证了相应闭环系统的稳定性，所提出的控制器保证了跟踪误差及相应闭环系统的状态－致最终有界，且不需预知不确定性的上界，以两自由度移动关节刚性机械手的跟踪控制问题的为例进行了仿真，结果表明所提出方法是行之有效的。     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

基于观测器的自适应神经网络Backstepping输出反馈控制

针对一类单输入单输出状态不可测非线性系统,提出一种自适应神经网络bakstepping输出反馈控制方法。首先,用神经网络逼近非线性函数,然后设计神经网络自适应观测器估计系统的状态。其次,在backstepping设计框架下,设计了自适应输出反馈控制器。最终,证明了所提出的自适应神经网络控制方法能够保证系统所有信号有界的同时,跟踪误差趋近于原点的一个小邻域内。仿真结果进一步验证了所提出方法的有效性。     

Neural network modeling and control of proton exchange membrane fuel cell

A neural network model and fuzzy neural network controller was designed to control the inner impedance of a proton exchange membrane fuel cell (PEMFC) stack. A radial basis function (RBF) neural network model was trained by the input-output data of impedance. A fuzzy neural network controller was designed to control the impedance response. The RBF neural network model was used to test the fuzzy neural network controller. The results show that the RBF model output can imitate actual output well, the maximal error is not beyond 20 m-, the training time is about 1 s by using 20 neurons, and the mean squared errors is 141.9 m-2. The impedance of the PEMFC stack is controlled within the optimum range when the load changes, and the adjustive time is about 3 min.     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.