基于神经网络变结构控制的PMSM系统研究

针对交流永磁同步电机伺服系统中,变结构控制策略存在的抖动,采用递归神经网络来调节变结构控制器参数,有效的削弱了变结构控制固有的抖动特性。仿真结果表明,该方案不仅具有良好的动态性能,而且对系统参数变化和负载扰动具有很强的鲁棒性。     

离散变结构控制的新方法及其在液压伺服系统中的应用

本文对离散变结构控制进行了深入研究,针对伺服系统的特点,提出了一种新的变结构控制策略－ＩＶＳＣ。它由积分控制Ｉ和变结构控制ＶＳＣ复合而成,因此当系统存在外部干扰和参数变化时仍可获得准确的跟踪性和良好的鲁棒性。应用所提出的控制策略对泵控马达速度伺服系统进行控制的仿真结果表明控制效果是相当满意的。     

多输出非线性系统神经网络变结构控制的算法及其实现

在变结构控制系统中，切换函数的实际值与理想值之差反映了模型与实际系统的差别，引入神经网络的目的是在线辨识出这种差别。方法实现了对输入多输出非线性系统轨迹踊跃的控制，且对摄动具有很强的鲁棒性，大大减小了系统在切换面上的抖动。     

直流PWM伺服系统的模糊变结构控制的研究

以直流PWM伺服系统为对象,在建立数学模型基础上,从变结构控制理论出发,结合模糊控制的优点,设计了一种新型模糊变结构控制器,即在误差较大时采用滑模变结构控制,充分利用其响应速度快的特点,在误差较小时改用增量式模糊控制,并进行分级处理,以减弱抖振,提高控制精度,改善系统的动态性能。理论分析与仿真结果证明,该系统响应快、抖振小、鲁棒性较强,能够获得良好的控制效果。     

基于离散变结构控制的DC/DC变换器

运用趋近律形式的离散变结构控制原理,设计了Buck型DC/DC变换器.设计方法简单,易于实现.通过仿真和实验证实了离散变结构控制具有系统内部参数变化时的鲁棒性,并改善了系统的稳态性能.     

滑模预测离散变结构控制

研究了不确定离散时间系统的变结构控制设计问题,提出了基于滑模预测思想的离散变结构控制系统设计新思路.该方法综合考虑抖振、鲁棒性以及控制量约束等指标要求,利用当前及过去时刻的滑模信息预测未来时刻的滑模动态,实现了滚动优化求解.仿真结果表明,该方法可有效消除抖振现象,并能够保证闭环系统的鲁棒稳定性.     

神经网络滑模变结构控制研究综述

综述了近年来将人工神经网络控制和滑模变结构控制相结合的研究工作．从神经网络在滑模变结构控制中不同的应用方式出发,论述了神经网络在提高和改善滑模变结构系统性能方面的理论和方法,分析了它们各自的特点与相互之间的联系．最后展望了该领域未来的研究方向．     

一种离散变结构控制趋近律

提出一种符合高氏6个特点的离散变结构控制的趋近律.应用该趋近律设计的变结构控制系统,可保证系统在有限步到达准滑模带,系统运动最终趋于原点,并有降低抖动及保持快速趋近的品质.仿真结果说明了该方法的可行性和有效性.     

一种基于离散变结构控制理论的有功分配控制器

对离散变结构控制理论进行研究并提出一种新的趋近律形式：离散变速趋近律,其特点是可期待原点的稳定性,将离散趋近律方法应用于电力系统,设计了并联运行同步发电机组有功分配的离散变结构控制器,仿真结果表明,本文设计的控制器可以明显改善系统的动态性能。     

变结构神经网络及其应用

本文提出了变结构神经网络模型及其学习和工作算法。变结构神经网络可以有教师学习，也可以无教师学习，其学习过程没有迭代循环，权值一次确定，学习精度为０。数值仿真表明：对于非平稳环境，变结构神经网络皆有容错和弹性应变能力。     

神经网络预测控制算法及其应用

针对电站中具有大惯性和变参数等特性的主汽温系统,提出了一种神经网络预测控制算法。该方法是用神经网络来实现预测控制算法中的模型预测和优化计算。将这种算法用于主汽温控制的仿真研究表明,该控制方案表现出良好的控制品质并能适应被控对象参数的变化,具有较强的鲁棒性和自适应能力。它明显优于传统的PID控制。     

基于T-S模糊模型的离散混沌系统变结构控制

研究了离散混沌系统模糊变结构控制问题.采用T-S模糊模型描述离散混沌系统,将离散混沌系统模糊化为局部线性模型.依据Lyapunov稳定性定理和线性系统变结构控制趋近律设计方法,设计了一种新型的离散变结构控制器,该控制器不仅能保证局部线性模型渐近稳定,而且能确保模糊动态模型全局渐近稳定.利用Matlab对确定Henon系统和不确定Henon系统进行数值仿真,结果表明所设计的控制器不但有效,而且具备很强的鲁棒性.     

一类不确定非线性系统的变结构鲁棒控制及应用

针对一类具有不确定性的非线性系统，在假定系统模型不确定性界已知的情况下，提出一个变结构鲁棒控制算法。以船舶减摇鳍非线性控制系统为例，进行变结构鲁棒自适应控制器的设计，经仿真研究表明，它可以使控制系统具有较强的鲁棒性。     

离散Hopfield-型神经网络的动态行为

主要利用网络的状态转移方程和定义能量函数的方法对非对称离散Hopfield神经网络在并行演化方式的动力学行为进行了研究。同时,给出了一些新的网络的收敛性条件。所获结果推广了一些已有的结论。     

Stable Sampled-data Adaptive Control of Robot Arms Using Neural Networks

Stable neural network-based sampled-data indirect and direct adaptivecontrol approaches, which are the integration of a neural network (NN)approach and the adaptive implementation of the discrete variable structurecontrol, are developed in this paper for the trajectory tracking control ofa robot arm with unknown nonlinear dynamics. The robot arm is assumed tohave an upper and lower bound of its inertia matrix norm and its states areavailable for measurement. The discrete variable structure control servestwo purposes, i.e., one is to force the system states to be within the stateregion in which neural networks are used when the system goes out of neuralcontrol; and the other is to improve the tracking performance within the NNapproximation region. Main theory results for designing stable neuralnetwork-based sampled data indirect and direct adaptive controllers aregiven, and the extension of the proposed control approaches to the compositeadaptive control of a flexible-link robot is discussed. Finally, theeffectiveness of the proposed control approaches is illustrated throughsimulation studies.     

神经网络控制结构及所用神经网络

本文阐述了神经网络控制所能解决的控制难题,若干种控制结构及常用的动态神经网络。讨论了神经网络控制研究的重点,在实时控制中的物理可实现性及其发展等问题。     

非线性系统神经网络辨识的鲁棒BP算法

讨论系统辨识神经网络算法的鲁棒性问题。通过构造新的动态鲁棒目标函数得到的ＲＢＰ算法，能不断估计逼近精度，自动将品质好的样本置于强化学习域，并能有效地抵抗噪声干扰。实验结果表明，该算法具有鲁棒性强、收敛快、计算方便等特点。     

神经网络在机器人控制中的应用

本文综述了人工神经网络在机器人控制中的算法及结构，对存在的问题进行了分析，并提出了发展的趋势。     

智能变结构控制方法综述及其应用

介绍了智能变结构控制的当前发展状况,指出了智能变结构控制能够有效地解决传统变结构控制中存在的缺陷,而且也继承了变结构控制固有的优点,是一种很有发展前途的控制方式.结合实际,简要地介绍了几种流行的智能变结构控制理论,重点介绍了目前比较成熟的模糊理论和神经网络理论同变结构控制的结合,同时也指出当前智能变结构控制的理论还在完善之中,因此在实际工程应用当中需要进一步地研究.