基于神经网络的模型跟随鲁棒自适应控制

针对一类复杂非线性动力学系统,提出一种基于神经网络动态补偿的模型跟随非线性鲁棒自适应控制策略.采用神经网络在线补偿控制器以克服系统的未建模动力学和非线性耦合因素的影响,从而提高了模型跟随控制的动态性能和稳态精度;当系统存在模型不确定性和外部扰动时,其输出仍能精确地跟踪期望参考模型的输出.同时给出了闭环误差系统鲁棒稳定性的证明.应用示例表明,所提方法可保证闭环系统具有良好的跟踪性能和鲁棒性,且算法简单,易于在线控制.     

空间机器人地面实验系统的一种鲁棒自适应控制方法

本庆于李亚普诺夫直接方法,针对具有参数及模型不确定性的空间机器人地面实验系统。提出了一种新的鲁棒自适应控制器。该控制器由三部分组成：线性ＰＤ反馈项、补偿动力学的自适应控制项和补偿建模不确定性的鲁棒控制项,控制策略能有效地克服未建模的摩擦力和外部扰动以及吊丝配重系统未补偿掉的重力影响,并且能保证全局一致最后有界。仿真表明了算法的可行性和有效性。     

基于动态神经网络的鲁棒直接自适应控制

对未知仿射系统提出了用动态神经网实现鲁棒直接自适应的控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习，闭环系统被证明鲁棒稳定的，此方法不需要离热学习阶段也不要求初始的参数误差足够小。     

一个基于神经网络模型的鲁棒自适应控制算法

对于具有不确定因素的离散非线性动态系统,通过校正神经网络预报器的输出,运用加权预报控制性能指标和网络辨识器模型局部线性化的思想,提出了一个间接鲁棒自适应神经网络控制算法,仿真研究证实了该控制策略的鲁棒性和有效性.     

改进的非线性鲁棒自适应动态面控制

针对不确定多输入多输出严格反馈块控非线性系统,提出一种鲁棒自适应动态面控制方法.该方法在反推自适应神经网络控制中引入动态面控制简化控制律,同时对自适应律进行改进以改善系统的过渡过程动态品质,保证了系统在简化的控制律下仍具有良好的动态特性.通过Lyapunov方法证明了闭环系统所有信号均有界,系统的跟踪误差指数收敛到有界紧集内.最后给出的某新型战斗机六自由度仿真结果表明了该方法的有效性.     

基于动态神经网络的鲁棒自适应跟踪

研究了一类基于两层动态神经网的仿射型鲁棒适应跟踪问题，对于未知的仿射非线性系统，提出了新的鲁棒学习算法，该算法不需要知道 理想权值的界。     

鲁棒自适应控制综述

讨论了鲁棒自适应控制的产生，现有的鲁棒自适应控制方案及发展方向。     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

基于模型参考的鲁棒自适应控制

针对一类具有未知参数、未建模动态和外界干扰的不确定非线性系统,选择适当的参数对这些不确定性进行估值、补偿和模型参考,利用Backstepping方法,设计了一种新的鲁棒自适应控制器。该控制器能保证闭环系统的所有信号是全局有界的,跟踪误差收敛到一个小的残差集内。仿真结果表明该方法的有效性。     

基于自适应神经网络的一类不确定非线性系统的鲁棒H∞控制

针对一类不确定非线性多输入时变系统，提出了一种新的鲁棒H∞控制方案．通过引入2个自适应神经网络逼近器，提出了一个简化的Hamilton—Jaeobi—like不等式，并据此设计了非线性H∞控制器和匹配不确定项补偿控制器，消除了输入摄动项和估计器最优逼近误差的有界性假设．机器人系统的鲁棒跟踪控制仿真算例证实了所提出控制方案的有效性．     

非线性系统的神经网络鲁棒自适应跟踪控制

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,提出了一种神经网络鲁棒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内的所有信号均为有界.选择的神经网络权值调整规律可以防止自适应控制中的参数漂移.     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

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。     

Robust Backstepping Control of Robotic Systems Using Neural Networks

Neural network (NN) controllers for the robust back stepping control of robotic systems in both continuous and discrete-time are presented. Control action is employed to achieve tracking performance for unknown nonlinear system. Tuning methods are derived for the NN based on delta rule. Novel weight tuning algorithms for the NN are obtained that are similar to -modification in the case of continuous-time adaptive control. Uniform ultimate boundedness of the tracking error and the weight estimates are presented without using the persistency of excitation (PE) condition. Certainty equivalence is not used and regression matrix is not computed. No learning phase is needed for the NN and initialization of the network weights is straightforward. Simulation results justify the theoretical conclusions.     

基于计算转矩控制结构的机械手鲁棒神经网络补偿控制

提出了一种新的不确定性机器人跟踪控制策略,文中基于计算转矩控制结构,采用了函数链网络实现一个神经网络补偿器,并叠加一个鲁棒控制项,以补偿模型的不确定性部分,另外,还考虑了神经网络逼近误差非一致有界的情形,设计了自适应的鲁棒控制项,算法可保证跟踪误差及神经网络权估计最终一致有界,与其它有关基于计算转矩控制的方法相比,该算法既不需要测量关节角加速度,也不要求惯性矩阵已知,理论和仿真均证明了算法和可靠性和有效性。     

Neural and Neurofuzzy FELA Adaptive Robot Control Using Feedforward and Counterpropagation Networks

In this paper, the application of neural networks and neurofuzzy systems to the control of robotic manipulators is examined. Two main control structures are presented in a comparative manner. The first is a Counter Propagation Network-based Fuzzy Controller (CPN-FC) which is able to self-organize and correct on-line its rule base. The self-tuning capability of the fuzzy logic controller is attained by taking advantage of the structural equivalence between the fuzzy logic controller and a counterpropagation network. The second control structure is a more familiar neural adaptive controller based on a feedforward (MLP) network. The neural controller learns the inverse dynamics of the robot joints, and gradually eliminates the model uncertainties and disturbances. Both schemes cooperate with the computed torque control algorithm, and in that way the reduction of their complexity is achieved. The ability of adaptive fuzzy systems to compete with neural networks in difficult control problems is demonstrated. A sufficient set of numerical results is included.     

不确定性机器人的神经网络补偿控制

本文研究具有不确定性的机器人的轨迹跟踪控制问题。提出了一种由计算力矩控制器和神经网络补偿控制器构成的控制方案。探讨了一种用神经网络估计机器人系统不确定性的途径。给出了神经补偿控制器的设计方法，并证明了闭环系统的收敛性。仿真结构表明所提方案具有很好的鲁棒性和抗干扰能力。     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.