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.     

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。     

含有非线性参数化的非完整系统的鲁棒自适应控制

针对一类含有强非线性漂移项和未知非线性参数的非完整系统, 提出了一种全局自适应状态反馈控制策略. 首先通过引入参数分离技术, 将非线性参数化系统转换为似然线性参数化系统. 然后引入反馈支配方法设计全局自适应稳定控制器, 同时, 为了避免系统出现不可控性, 设计了一种开关策略. 所设计的控制器能保证系统状态全局收敛到原点, 且其它信号保持有界. 仿真例子验证了算法的有效性和鲁棒性.     

用于非线性动力系统控制问题的自组织神经网络自适应方法

本文提出一种用自组织自学习适应思想解决非线性动力系统控制问题的新方法。在每个小区域感受野,可以把非线性系统近似展开为线性,由神经元执行控制。各神经元的凝视点,感受野和功能由自组织自学习自适应方法进行调节。大量仿真结果验证了本方法的正确性和实用性。     

奇异摄动非线性系统的鲁棒自适应控制

应用Ｌｙａｐｕｎｏｖ稳定性判据结合微分几何角线性化理论,给出一种具奇异摄动的可线性化非线性系统的鲁棒自适性控制方法,并给出了仿真实例。     

一类非线性参数系统的鲁棒自适应控制

针对一类具有非线性参数和未知非线性的非线性系统, 提出了一种鲁棒自适应控制设计方法, 该方法能保证所有信号全局一致有界, 并且使所研究的非线性系统的范围大大扩大.     

一类不确定非线性系统的鲁棒自适应控制

针对一类具有一般不确定性和未知参数的非线性系统,设计出一种适用于输出跟踪的鲁棒自适应控制器.该控制器对系统的参数和状态的不确定性具有鲁棒性,能保证闭环系统的全局稳定性,并解决了ε-跟踪问题.仿真实例表明,所设计的鲁棒自适应控制器具有良好的跟踪性能.     

非线性系统的神经网络自适应滤波器

针对一类具有未知非线性函数和未知虚拟系数的二阶非线性系统，提出了一种神经网络自适应滤波跟踪方法，用RBF神经网络估计出系统中不确定项，将神经网络与滑模控制方法相结合，用李雅普诺夫稳定性分析方法证明了滤波器内的所有信号均有界，选择的神经网络权值调整规律可以消除颤振，抑制外部随机干扰。     

随机非线性系统鲁棒自适应反馈控制器的积分反推方法设计

考虑了一类随机非线性系统的鲁棒自适应控制问题.采用Ito随机微分方程描述系统,进而在概率意义下研究系统的鲁棒稳定性.应用积分反推(backstepping)方法,系统地给出了设计状态反馈及输出反馈鲁棒自适应控制器的方法.同时构造出了适当形式的四次型的自适应控制Lyapunov函数(CLF).     

基于神经网络的一类非线性连续系统的稳定自适应控制*

本文将神经网络作为非线性系统的模型，提出能够对一类非线性连续系统进行有效控制的自适应控制结构和算法，该控制方案不仅能经类非线性系统的跟踪控制问题，而且由于将变结构控制技术动用于其中，整个闭环控制系统还能克服许多神经网络控制系统中存在的稳定性问题。由稳定性理论可推证整个闭环控制系统渐近稳定和参数和渐近收敛的特性。     

基于DSC后推法的非线性系统的鲁棒自适应NN控制

针对一类具有不确定系统函数和方向未知的不确定增益函数的非线性系统, 提出了一种鲁棒自适应神经网络控制算法. 本算法采用RBF神经网络(Radial based function neural network, RBF NN)逼近模型不确定性, 外界干扰和建模误差采用非线性阻尼项进行补偿, 将动态面控制(Dynamic surface control, DSC)与后推方法结合, 消除了反推法的计算膨胀问题, 降低了控制器的复杂性; 尤其是采用Nussbaum函数处理系统中方向未知的不确定虚拟控制增益函数, 不仅可以避免可能存在的控制器奇异值问题, 而且还能使得整个系统的在线学习参数显著减少, 与DSC方法优点结合, 使得控制算法的计算量大为减少, 便于计算机实现. 稳定性分析证明了所得闭环系统是半全局一致最终有界(Semi-global uniformly ultimately bounded, SGUUB)的, 并且跟踪误差可以收敛到原点的一个较小邻域. 最后, 计算机仿真结果表明了本文所提出控制器的有效性.     

一种基于神经网络的鲁棒型预测控制算法

针对复杂工业过程中存在的时滞、强干扰的严重非线性控制对象,仿真研究了一种利用神经网络作为预测模型,遗传算法作为滚动优化策略的预测控制方法.在算法中为了提高辨识非线性系统的鲁棒性以及降低控制器对未建模动态的敏感性,引入了一种伪模型,即将系统实际输出与预测输出综合成的新的输出信号,由该信号代替量测输出.仿真结果表明对于非线性被控对象该方法具有良好的鲁捧性和跟踪性能,对于改善非线性预测控制不失为一种有益的尝试.     

非线性系统鲁棒控制器设计的研究*

本文首先指出「１」中证明不足，进一步在补充假设下，对一类含非匹配不确定项的系统设计出新的鲁棒控制器，仿真结果表明，此控制器有保证闭环系统具有理想品质。     

一类非线性不确定系统的鲁棒自适应控制

针对一类含有未知参数和动态不确定的非线性系统，基于Lyapunov递推设计方法设计了状态反馈控制器，并提出了鲁棒自适应控制算法。所设计的控制器不仅可保证闭环系统的全局稳定性。而且使得系统对于所有允许的不确定系统状态全局一致终值有界。仿真结果表明了本文方法所设计的控制器的有效性和可行性。     

非线性系统的鲁棒采样最优控制

采样系统控制作为一种数字控制的直接设计方法,近年来引起了广泛的重视,另一方面系统的时域约束在工业控制中是不可避免的。利用实用稳定性理论,研究了具有输出约束的一类非线性系统的鲁棒采样最优控制问题,结果表示为一些矩阵不等式,最后给了出了一个迭代算法。     

一类不确定非线性系统的鲁棒自适应控制

针对一类输入带有一定的不确定性的非线性系统 ,设计了一种鲁棒自适应控制器。该控制器作用与系统 ,能保证闭环系统信号的全局有界性 ,又能使闭环系统输出任意小。     

一类不确定性广义非线性系统的鲁棒控制

考虑一类上有不确定性广义非线性系统Ｅｚ＝（Ａ＋ΔＡ）ｚ＋Ｂｖ＋ｆ（ｚ）的鲁棒控制问题,这里Ｅ是奇异的ｆ（ｚ）系统的非线性部分,在适当的假设下,得到了基于状态反馈作用的鲁棒控制存在的条件。     

不确定非线性系统的鲁棒输出反馈自适应控制

针对一类具有一般不确定性的非线性系统,设计一种新的鲁棒输出反馈自适应控制器。在较弱条件下,该控制器不仅能保证闭环系统全局稳定,且能使跟踪误差以指数速度收敛到零的小领域内。仿真结果验证了所给控制方案的有效性。     

Robust Adaptive Identification of Nonlinear System Using Neural Network

It is well known that disturbance can cause divergence of neural networks in the identification of nonlinear systems. Sufficient conditions using so‐called modified algorithms are available to provide guaranteed convergence for adaptive system. They are dead zone scheme, adaptive law modification, and σ‐modification. These schemes normally require knowledge of the upper bound of the disturbance. In this paper, a robust weighttuning algorithm is used to train the multi‐layered neural network with an adaptive dead zone scheme. The proposed robust adaptive algorithm does not require knowledge of either the upper bound of the disturbance or the bound on the norm of the estimate parameter. A complete convergence proof is provided based on Lyapunov theorem to deal with the nonlinear system. Simulation results are presented to show good perfor‐mance of the algorithm.