一种基于神经网络的精馏塔自适应控制器设计

针对两输入两输出的隐含非线性系统，设计了一种神经网络自适应控制器，并通过构造Lyapunov函数，得出新的权值变化规律、该方法基于Lyapunov稳定性理论，可证明闭环系统是半全局一致最终有界的(SGUUB)．从二元精馏塔奇异摄动简化模型的仿真结果可以看出，这种控制器有良好的跟踪效果。     

一种基于神经网络的直接自适应控制器

对于具有不确定因素的非线性系统 ,通过校正神经网络的预报输出 ,应用最优化及网络辩识器模型局部线性化的思想 ,提出一种鲁棒自适应神经网络控制器 ,仿真研究证明该控制器具有较强的抗干扰能力     

一种新的多变量自适应解耦控制器及其在二元精馏塔上的应用

本文提出了一种新的多变量自适应解耦控制器.该控制器将解耦补偿器与最小方差技术相结合,可以对闭环系统实现动静态解耦.应用本文提出的自适应解耦控制器和常规 PI 控制器分别在某二元试验精馏塔上进行了组分控制实验.实验结果表明,本文提出的自适应解耦控制器的控制性能明显优越于 PI 控制器.     

基于二阶神经网络的自适应控制

提出了一种二阶神经网络的自适应控制方案,利用二阶神经网络对被控制对象进行在线辨识和控制,仿真实验表明：这种控制系统,其控制效果优良,具有较强的辨识和控制能力,且控制器设计并不复杂。     

基于神经网络的自适应控制器

提出了一种基于神经网络的控制系统，将传统ＰＩＤ工程整定法与神经网络相结合，采用直接自适应控制方法，使基于神经网络的控制器在ＰＩＤ控制的基础上实现自适应控制，更有效地改善控制品质。     

一种用于非线性系统的神经网络自适应控制系统结构

本文提出一种用于非线性神经网络自适应控制结构。仿真计算表明它具有较好的跟阴性和抗干扰性指标，对系统参数的变化具有较强的鲁棒性，在系统结构和寻优方法上，它不依赖于控对象的数学模型，所以本文提出的系统结构对于非线性系统的设计，综合具有比较普遍性意义。     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

一种基于神经网络的自适应预测控制方法

强非线性系统预测控制问题当前仍有许多难点需要解决,而神经网络由于具有非线性逼近能力、自学习、容错性等特点,使它在自动控制理论中得到了广泛的应用.针对非线性系统,提出了一种基于神经网络的自适应预测控制方案,该方案结构简单,易于实现.对于一些难于用传统方法控制的复杂非线性对象提供了一种有效的方法.对非线性定常及时变对象,利用仿真表明了该控制策略的有效性.最后讨论了神经网络控制器发展方向与亟待解决的问题.     

一种神经网络自适应控制算法

提出了一种基于对象正向模型的神经网络自适应控制算法,它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。仿真表明,应用该算法后,系统响应速度快,超调量小,无稳态误差,控制效果好。     

一种变结构神经网络控制器的设计方法

把变结构控制与人工神经网络有机地结合起来，从而形成一种新型的变结构神经网络控制器，对消除和减小变结构控制的抖动有着一定的指导作用。     

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。     

Neural adaptive attitude tracking controller for flexible spacecraft

In this paper,a neural network adaptive controller is proposed for attitude tracking of flexible spacecraft in presence of unknown inertial matrix and external disturbance.In this approach,neural network technique is employed to approximate the unknown system dynamics with finite combinations of some basis functions,and a robust controller is also designed to attenuate the effect of approximation error,more specially,the knowledge of angular velocity is not required.In the closed-loop system,Lyapunov stability analysis shows that the attitude trajectories asymptotically follow the reference output trajectories.Finally,simulation results are presented for the attitude tracking of a flexible spacecraft to show the excellent performance of the proposed controller and illustrate its robustness in face of external disturbances and unknown dynamics.     

用神经网络解非线性方程组

提出了一种解非线性方程组的神经网络模型,并在非线性方程组有惟一实根、有限个实根以及无穷多个实根情形下严格地证明了该模型的稳定性,然后,给出了一个模拟算法,该算法不仅可以用来解非线性方程组,而且还可以用来解多元非线性方程及线性方程组,数值试验结果表明,该算法是有效的。     

基于神经网络MIMO非仿射系统自适应控制

针对一类多输入多输出非仿射非线性系统,基于神经网络设计了一种自适应控制方案。该系统隐含控制输入,利用隐函数定理和伪控制概念提出了控制运算法则,采用Lyapunov方法证明了系统的稳定性。该方案采用神经网络补偿系统中的非线性部分,设计了鲁棒项来增加系统的抗干扰能力。仿真结果充分证明了该方案的有效性和可行性。     

移动机器人的鲁棒自适应控制器设计

对一类满足匹配条件的输入干扰不确定性非完整约束移动机器人,借助无源化设计方法提出了一种饱和鲁棒自适应控制器.该控制器不需要事先确定未知干扰的上界值，它能通过事先定义的逻辑切换方式在线调节未知干扰上界值参数的估计值.通过在控制器中引入饱和函数对控制信号进行平滑处理使得控制过程光滑平稳.从理论上证明了该鲁棒自适应控制器能够保证闭环系统的所有状态有界，并且当未知干扰为零时, 还能够保证闭环系统所有状态渐近稳定.     

基于小波神经网络的永磁同步直线电机自适应逆控制

针对永磁同步直线电机(PMLSM)受推力波动等干扰,采用反馈误差学习法,利用小波神经网络在线得到PMLSM的逆模型,避免了求取PMLSM的Jacobian信息,结合PID反馈控制,实现了PMLSM的小波神经网络自适应逆控制.仿真结果表明,与PID控制以及复合前馈PID控制方法相比,所提出的方法有效提高了PMLSM系统的跟踪性与鲁棒性.     

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。     

基于神经网络参考模型的船舶航向智能自适应控制系统

为使船舶能在不同状态和环境下按所希望的要求改变船舶的航向，提出了一种基于神经网络参考模型的船舶航向智能自适应控制算法，利用神经网络建立了参考模型和船舶航向运动的辨识模型。并将模糊控制与神经网络相结合，设计了模糊神经网络控制器。利用神经网络的学习功能对控制器的隶属度函数及推理规则进行修正，以提高其自适应能力。仿真结果表明该算法对船舶转向控制有良好的效果。     

随机多输入多输出系统的自适应神经网络控制

针对一类具有严格反馈形式的随机非线性多输入多输出系统的自适应神经跟踪控制问题,本文利用径向基函数神经网络的万能逼近性,结合自适应Backstepping设计方法,提出了一类新的自适应神经网络状态反馈控制器,并对该系统提出的控制器含有较少的参数问题,通过Lyapunov稳定性理论进行了稳定性分析和证明,并应用仿真算例进行验证,仿真结果表明,闭环系统的所有误差变量概率意义下有界,并使系统的输出收敛到参考信号的一个小的邻域范围之内。该研究对随机非线性多输入多输出系统的跟踪控制有一定的指导意义。     

解多元非线性方程组的神经网络方法

提出了一种求解多元非线性方程组的新方法———神经网络方法 ,证明了该方法的稳定性、可行性及收敛性 ,并给出了算法的具体步骤 .仿真结果表明 ,该算法对多元非线性方程组的任意给定的初始点 ,都能很快收敛到它的一个实根 ,因而 ,该算法是有效的 .