高阶非线性不确定多智能体系统自适应RBF神经网络协同控制

针对外界环境的干扰及自身系统参数的不确定性对一类高阶非线性多智能体系统的影响,研究在领导跟随者网络模型下系统一致性的问题.该动力学系统中含有高阶积分器耦合未知非线性动力学和未知外部干扰,采用分布式自适应径向基函数(radial basis function,RBF)神经网络控制算法,确保神经网络对智能体非线性项进行在线逼近,滑模控制消除持续有界扰动等不确定项对稳定性的影响.首先设计出神经网络权值的自适应律,提出一种基于神经网络的自适应滑模控制协议,利用李雅普诺夫稳定性理论,证明该多智能体系统实现领导跟随一致性,并且最终有界跟踪误差的充分条件.在同质和异质多智能体2种条件下,仿真结果验证了提出方法的正确性.     

一类非线性MIMO系统鲁棒自适应神经网络DSC设计

为了研究一类多输入多输出强非线性系统的自适应跟踪问题,采用RBF神经网络逼近模型不确定性,外界干扰和建模误差采用非线性阻尼项进行补偿,并将动态面控制与Nussbaum增益技术结合,提出了一种鲁棒自适应神经网络跟踪控制算法.该算法不仅能够解决系统中控制方向完全未知问题和可能存在的控制器奇异值问题,而且能够避免传统后推方法的计算膨胀问题,从而大大降低了控制器的复杂性,使之易于工程实现.同时,该算法保证了闭环系统的稳定性,并具有良好的鲁棒性.仿真结果验证了控制器的有效性.     

一类不确定性非线性系统的神经网络稳定控制

针对一类伴随型的ｎ阶非线性系统中存在不确定性,引入神经网络作为非线性系统的模型,基于Ｌｙａｐｕｎｏｖ稳定性理论,提出有效的控制律及参数自适应律,由全局不变集定理证明闭环系统是全局跟踪收敛的。仿真研究结果表明了本文方法的有效性,为设计高性能的神经网络控制系统提供了一种强有力的方法     

一类不确定非线性系统的神经网络稳定控制

针对一类伴随型的ｎ阶非线性系统中存在不确定性,引入神经网络作为非线性系统的模型,基于Ｌｙａｐｕｎｏｖ稳定性理论,提出有效的控制律及参数自适应律,由全局不变集定理证明闭环系统是全局跟踪收敛的,仿真研究结果表明了本方法的有效性,为设计高性能的神经网络控制系统提供了一种强有力的方法。     

不确定随机非线性时滞系统的自适应神经网络跟踪控制

针对一类具有严格反馈形式的随机非线性时变时滞系统的自适应神经跟踪控制问题,本文利用神经网络参数化和反推（backstepping）方法,构造出一类自适应神经网络状态反馈控制器。仿真结果表明,这种自适应控制器保证闭环系统的所有变量概率意义下有界,并使系统的输出跟踪参考信号,跟踪误差收敛到原点的一个充分小的邻域之内,仿真验证了该方法的有效性。     

考虑输入饱和的异步电机随机系统的速度控制

针对随机扰动现象能够破坏异步电动机调速系统稳定性的问题,本文根据神经网络技术和反步法的原理,对输入饱和的异步电动机随机非线性系统的神经网络速度控制进行研究。考虑异步电动机随机系统中存在的输入饱和限制,利用神经网络来逼近随机系统中不确定的非线性项,并使用自适应反步法构造了异步电动机的自适应神经网络速度调节控制器。同时,利用Matlab软件进行仿真实验。仿真结果表明,本文所提出的自适应神经网络速度控制器,可以快速地跟踪给定的期望速度信号,克服了输入饱和、参数不确定、负载扰动等因素的影响,实现了对异步电动机的有效控制。该研究具有一定的实际应用价值。     

一类非仿射非线性系统的神经网络输出反馈方案设计

针对一类非仿射非线性系统,设计了一种基于神经网络的自适应输出反馈控制方案,使得输出信号能够跟踪给定信号。构造观测器估计系统中的未知状态变量,采用神经网络结构补偿系统中的非线性部分,并且设计了鲁棒控制项来抵消逼近误差,增加了抗干扰能力。系统稳定性得到严格证明。仿真结果充分证明了该方案的有效性和可行性。     

基于观测器的自适应神经网络Backstepping输出反馈控制

针对一类单输入单输出状态不可测非线性系统,提出一种自适应神经网络bakstepping输出反馈控制方法。首先,用神经网络逼近非线性函数,然后设计神经网络自适应观测器估计系统的状态。其次,在backstepping设计框架下,设计了自适应输出反馈控制器。最终,证明了所提出的自适应神经网络控制方法能够保证系统所有信号有界的同时,跟踪误差趋近于原点的一个小邻域内。仿真结果进一步验证了所提出方法的有效性。     

SCARA GRB400机器人系统模糊模型建立的研究

为解决机器人的建模问题,依据SCARA GRB400型工业机器人动力学模型,介绍了一种自适应模糊控制(AFC)算法.利用模糊系统估计机器人系统中的非线性,并进行数学模拟,利用李雅普诺夫定理证明了其稳定性.为检验设计的自适应模糊控制器,将AFC应用于工业机器人的轨迹跟踪.工业机器人仿真结果表明,设计的自适应模糊控制方案有良好的跟踪能力和稳定性,很好地克服了机器人系统中存在的非线性、不确定性、强耦合等因素的影响.     

具有输入死区的非线性纯反馈系统的Backstepping控制设计

针对一类具有未知死区的非线性纯反馈系统自适应神经网络控制问题,本文提出了基于径向基函数神经网络结构特征的控制设计方案。将未知输入死区表示成一个线性死区与一个有界非线性死区之和的形式,在控制设计过程中,通过神经网络系统逼近未知非线性函数,结合自适应Backsteeping方法及神经网络基函数向量的范数性质,设计了一种自适应神经网络状态控制器,并通过Lyapunov稳定性理论进行稳定性分析。分析结果表明,在该控制方案作用下,闭环系统的所有信号有界,跟踪误差收敛到原点一个足够小的领域,数值仿真验证了本文方法的有效性。该研究具有一定的实用价值。     

非线性动态系统的模糊神经网络自适应H∞鲁棒控制

针对非线性动态系统不稳定性,提出了一种基于模糊神经网络的H∞鲁棒直接自适应控制方法,通过设计非线性动态系统的H∞控制器,采用模糊神经网络在线学习对动态系统的建模不确定性产生的误差,可保证不确定闭环稳定并具有H∞性能,并证明了模糊神经网络H∞鲁棒直接自适应控制系统的稳定性,仿真算例也表明了该方法具有较好的抗干扰性能、鲁棒性较好.     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

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。     

预测模型的单神经元PI控制器

针对工业过程和实际控制对象的慢时变非线性的特点 ,设计了一种预测模型的单神经元 PI控制器。采用单神经元 PI控制算法与神经网络预测模型相结合的控制策略 ,用 PI控制规律来确定控制器的输出。用一个自适应神经元网络作为非线性系统的预测模型 ,估计下一步的输出值 ;用一个单神经元实现 PI控制来优化下一步的控制。利用 Matlab/Sim ulink工具对 PI控制器和预测模型的单神经元 PI控制器进行比较仿真实验 ,其控制对象为典型的非线性系统。仿真实验表明 :预测模型的单神经元 PI控制器具有结构简单 ,计算速度快 ,鲁棒性好等特点     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

Robust adaptive control for a class of uncertain non-affine nonlinear systems using neural state feedback compensation

A robust adaptive control is proposed for a class of uncertain nonlinear non-affine SISO systems. In order to approximate the unknown nonlinear function, an affine type neural network(ATNN) and neural state feedback compensation are used, and then to compensate the approximation error and external disturbance, a robust control term is employed. By Lyapunov stability analysis for the closed-loop system, it is proven that tracking errors asymptotically converge to zero. Moreover, an observer is designed to estimate the system states because all the states may not be available for measurements. Furthermore, the adaptation laws of neural networks and the robust controller are given based on the Lyapunov stability theory. Finally, two simulation examples are presented to demonstrate the effectiveness of the proposed control method. Finally, two simulation examples show that the proposed method exhibits strong robustness, fast response and small tracking error, even for the non-affine nonlinear system with external disturbance, which confirms the effectiveness of the proposed approach.     

具有时变全状态约束的非线性随机切换系统的自适应神经网络控制

基于任意切换规则,以一类非线性不确定随机切换系统为研究对象,提出了一种具有时变全状态约束的自适应神经网络控制方案。在控制研究的过程中,采用神经网络对系统中的不确定项进行逼近处理。为了解决系统的约束问题,采用坐标变换技术,保证系统的所有状态均在约束界内,给出了闭环系统稳定性和收敛性的充分判据。最后的仿真实验表明所提出的控制策略能够达到较好的控制效果。本文所设计的控制策略大大提高了系统工作时的安全性。     

一类非线性非严格反馈系统的间接自适应神经网络控制

针对一类非严格反馈非线性系统,本文提出了间接自适应神经网络控制器的设计方案,并基于系统函数界函数的单调递增性质,提出了变量分离方法,同时利用间接自适应神经网络控制技术和Backstepping(反推)相结合的方法,构造出间接自适应神经网络状态反馈控制器,所构造的间接自适应控制器,保证了闭环系统的所有信号是半全局有界的,并且系统的所有状态收敛到原点充分小的邻域内,有效地解决了一类非线性非严格反馈系统的自适应神经网络控制问题,并采用数值例子进行仿真实验。仿真结果表明,在本文所提出的控制律的作用下,不但保证了闭环系统的稳定,而且保证所有信号在闭环系统有界。该控制器为一类非严格反馈非线性系统的稳定性控制提供了理论参考。     

多效蒸发的无模型自适应控制研究

将基于紧格式线性化的非线性系统无模型自适应控制方法应用在多效蒸发控制中。控制器的设计是直接基于称为伪偏导数的向量,伪偏导数是根据多效蒸发系统的人工神经网络模型的输入输出信息在线导出的。并利用MATLAB仿真实验证明了该方法的有效性和稳定性,其性能优于传统PID控制。     

CMAC神经网络用于一类不确定MIMO非线性系统的鲁棒自适应反馈线性化

在已知标称系统的基础上,将CMAC神经网络用于一类状态反馈可线性化的多输入多输出（MIMO）不稳定连续时间非线性系统的鲁棒自适应反馈线性化,使系统获得要求的跟踪性能。在很弱的假设条件下,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为UUB（一致最终有界）。仿真算例进一步验证了算法的正确与有效。