时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.     

非线性时滞系统的稳定自适应控制

针对模型不确定性的连续时间时滞系统，提出了一种新的神经网络自适应控制。系统的辨识模型是由神经网络和系统的已知信息组合构成，在此基础上，建立时滞系统的预测模型。基于神经网络预测模型的自适应控制器能够实现期望轨线的跟踪，理论上证明了闭环系统的稳定性。连续搅拌釜式反应器仿真结果表明了该控制方案的有效性。     

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。     

一类非线性时滞系统自适应控制研究

针对一类非线性时滞系统，本文提出一种自适应控制器的设计方案，采用backstepping和domination方法构建了一个无记忆自适应控制器。放松了对非线性时滞函数的要求(例如全局Lipschitz条件)，实现了对给定目标轨线的全局渐近跟踪，保证了闭环系统所有信号全局一致有界：基于Lyapunov—Krasoviskii泛函方法证明了闭环系统的稳定性。仿真结果说明了这种控制方法的可行性和优点。     

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。     

不确定时滞系统的模糊神经网络自适应PID控制

对于不确定时滞对象，提出了一种模糊神经网络自适应调整PID参数的控制方法，利用模糊逻辑实现了模糊化，利用多层BP神经网络来实现模糊推理。该网络通过学习并记忆PID参数调整规则，实现了在线调整PID参数。通过对一类不确定时滞系统的仿真，验证了该方法具有较好的控制效果。     

不确定非线性时滞系统的自适应滑模控制

针对一类不确定非线性时滞系统的鲁棒滑模控制器设计问题,提出了一种自适应滑模控制方法,该方法能够有效地削弱系统的输入抖动.基于自适应滑模控制技术和Lyapunov稳定方法,克服了系统不确定性和时滞特性影响,不但保证系统状态可以在有限的时间内到达滑模面,而且还保证了系统的渐近稳定特性.最后给出的仿真结果验证了该控制方案的有效性.     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

非线性系统的神经网络自适应逆控制

提出了非线性系统的神经网络自适应逆控制方法。设计中使用了2个神经网络，经离线训练的NN1实现非线性系统的逆，在线网络NN2用于补偿逆误差和系统的动态特性变化，对一非线性系统的仿真结果表明，神经网络自适应逆控制能够提高系统的动态性能，并且具有较好的鲁棒性。     

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     

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。     

基于神经网络补偿的非线性时滞系统时滞正反馈控制

A new adaptive time-delay positive feedback controller (ATPFC) is presented for a class of nonlinear time-delay systems. The proposed control scheme consists of a neural networks-based identification and a time-delay positive feedback controller. Two high-order neural networks (HONN) incorporated with a special dynamic identification model are employed to identify the nonlinear system. Based on the identified model, local linearization compensation is used to deal with the unknown nonlinearity of the system. A time-delay-free inverse model of the linearized system and a desired reference model are utilized to constitute the feedback controller, which can lead the system output to track the trajectory of a reference model. Rigorous stability analysis for both the identification and the tracking error of the closed-loop control system is provided by means of Lyapunov stability criterion. Simulation results are included to demonstrate the effectiveness of the proposed scheme.     

Adaptive Neural Tracking Control for Unknown Output Feedback Nonlinear Time-delay Systems

An adaptive output feedback neural network tracking controller is designed for a class of unknown output feedback nonlinear time-delay systems by using backstepping technique.Neural networks are used to approximate unknown time-delay functions.Delay-dependent filters are intro- duced for state estimation.The domination method is used to deal with the smooth time-delay basis functions.The adaptive bounding technique is employed to estimate the upper bound of the neural network reconstruction error.Based on Lyapunov-Krasoviskii functional,the semi-global uniform ultimate boundedness(SGUUB)of all the signals in the closed-loop system is proved.The arbitrary output tracking accuracy is achieved by tuning the design parameters and the neural node number. The feasibility is investigated by an illustrative simulation example.     

未知输出反馈非线性时滞系统自适应神经网络跟踪控制

An adaptive output feedback neural network tracking controller is designed for a class of unknown output feedback nonlinear time-delay systems by using backstepping technique. Neural networks are used to approximate unknown time-delay functions. Delay-dependent filters are introduced for state estimation. The domination method is used to deal with the smooth time-delay basis functions. The adaptive bounding technique is employed to estimate the upper bound of the neural network reconstruction error. Based on Lyapunov-Krasoviskii functional, the semi-global uniform ultimate boundedness (SGUUB) of all the signals in the closed-loop system is proved. The arbitrary output tracking accuracy is achieved by tuning the design parameters and the neural node number. The feasibility is investigated by an illustrative simulation example.     

不确定非线性系统神经网络自适应控制

针对一类不确定非线性系统,利用神经网络可逼近任意非线性函数的能力,以及误差滤波理论,提出了一种基于径向基神经网络的自适应控制器设计方案,以使非线性系统在存在不确定项或受到未知干扰时,其输出为期望输出.根据Lyapunov理论,给出了系统稳定的充分条件,并进行了详细证明.该设计方法能够保证跟踪误差收敛,从而进一步说明该控制器的有效性.最后,用Sumulink对设计方案进行仿真,仿真结果表明了其实用性.     

步进梁式连续加热炉神经网络自适应控制系统

介绍了将神经网络自适应控制思想应用于步进梁加热炉燃烧过程控制。实时控制结果表明,其效果是令人满意的。     

随机形状变形生成的自适应神经网络控制法

将任意给定的确定性规则形状作为自适应神经网络的学习对象，用自适应学习的方法改变规则形状的形成规则，在没有加入随机移位扰动量的情况下，使规则形状从“规则”向“非规则”转变，改进了传统自适应神经网络的算法过程，增强了随机形状的局部和整体形态特征的可控性，拓宽了自适应线性神经网络在随机形状造型中的应用范围，且方法简明、易于实现。     

基于神经网络的自适应控制研究综述

神经网络与自适应控制相结合的研究,已成为智能控制的一个新的分支。自适应具有强鲁棒性,神经网络则具有良好的自学习功能和良好的容错能力,神经网络自适应控制由于较好地融合了两者的优点而具有强大的优势。该文综述了近年来神经网络自适应控制的研究现状,阐述了神经网络模型参考自适应控制及神经网络自校正控制两种典型的控触方案,并对神经网络自适应控制的应用作了介绍。在此基础上,对神经网络自适应控制存在的主要问题,如稳定性、鲁棒性及收敛性等问题作了积极有益的探讨。最后,展望了神经网络自适应控制未来的发展趋势,并指出了其研究方向。     

Adaptive Neural Network Finite-Time Control for Uncertain Robotic Manipulators

An adaptive neural network finite-time controller (NNFTC) for a class of uncertain nonlinear systems is proposed by using the backstepping method, which employs an adaptive neural network (NN) system to approximate the structure uncertainties and uses a variable structure term to compensate the approximation errors, thus improving the robustness of the system to external disturbances. The controller is then applied to uncertain robotic manipulators, with a control objective of driving the system state to the original equilibrium point. It is proved that the closed-loop system is finite-time stable. Moreover, simulated and experimental results indicate that the proposed NNFTC is effective and robust.