一类不确定线性系统的鲁棒自适应控制

针对一类同时具有匹配不确定性和不匹配政治面目 确定性的线性系统,首先采用李雅普诺夫稳定性定理,结合基于矩阵不等式的鲁棒控制器设计方法和变结构控制方法,设计鲁棒控制器,使得闭环系统是二次渐近稳定的,然后,利用自适应参数估计方法,设计具有匹配不确定性范数界估计能力的鲁棒自适应控制器,保证闭环系统的一致终结有界,在此基础上,进一步考虑系统中可能的未知不确定性,分析闭环系统的鲁棒性,并得到了相应的控制器设计方法。     

不确定性机器人系统自适应鲁棒迭代学习控制

利用Lyapunov方法, 提出了一种不确定性机器人系统的自适应鲁棒迭代学习控制策略, 整个系统在迭代域里是全局渐近稳定的. 所考虑的机器人系统同时包含了结构和非结构不确定性. 在设计时, 系统的不确定性被分解成可重复性和非重复性两部分, 并考虑了系统的标称模型. 在所提出的控制策略中, 自适应策略用来估算做法确定性的界, 界的修正与迭代学习控制量一样的迭代域得以实现的. 计算机仿真表明本文提出的控制策略是有效的.     

一类不确定非线性系统的鲁棒自适应控制

针对一类MIMO不确定非线性系统的输出跟踪问题, 基于自适应反步法和滑模控制为其设计了鲁棒自适应控制器. 模型包含3种不确定性: 1) 参数不确定性; 2) 输入增益的不确定性; 3) 代表系统未建模动态和干扰的不确定函数, 该函数有界. 以非完整移动机械臂的输出跟踪控制为目标, 对其进行仿真实验, 实验结果表明所提出的控制算法是正确有效的.     

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。     

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.     

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。     

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。     

控制增益符号未知的不确定非线性系统鲁棒自适应控制

针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性.     

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.     

采用模糊自适应评价的增强式学习控制

本文提出了基于模糊自适应评价（ＦＬＡＣ）的增强式学习（Ｒｅｉｎｆｏｒｃｅｍｅｎｔ Ｌｅａｒｎｉｎｇ）控制系统（ＦＬＡＣ／ＡＳＮ）,ＦＬＡＣ采用模糊规则表示学到的知识,因此可以有机地融入专家的经验。ＦＬＡＣ的学习方法国瞬时微分法（Ｔｅｍｐｏｒａｌ Ｄｉｆｆｅｒｅｎｃｅ）。作用选择网络（ＡＳＮ）采用多导同网络。仿真结果表明（ＦＬＡＣ／ＡＳＮ）具有很好的学习性能。     

基于深度学习的图像去模糊方法研究进展

近年来,随着便携、轻巧的数码成像设备的日益普及,人们获取图像的手段日益方便与灵活,数字图像在视频监控、医疗诊断、太空探测等领域起到了重要的作用.然而,在现有的成像过程中存在诸多问题,如相机的感光单元质量差、摄影者专业水平低、拍摄环境恶劣等,往往导致最终得到的图像含有明显的模糊以及噪声.如何使计算机自动地从模糊图像中把清...     

分数阶鲁棒自适应控制

研究了分数阶模型参考自适应控制系统.引入了分数阶微积分的概念,利用系统的输入输出,通过构造辅助信号设计了分数阶的自适应控制器和一类新的有界干扰系统的变结构分数阶鲁棒自适应控制器.基于分数阶微积分和Lyapunov稳定性理论,证明了所设计的闭环系统的稳定性.最后,仿真实验验证了此方法的有效性.     

广义预测鲁棒自适应控制

本文指出自校正控制中广泛采用的CARMA模型会导致控制系统对确定性扰动和非平稳随机扰动缺乏鲁棒性;在CARMA模型中引入相应于上述扰动的不可控模态,给出了一种广义的CARMA模型;基于内模原理,提出一种新的广义预测鲁棒自适应控制器;并从理论上揭示其鲁棒性机理;给出了数字仿真。理论分析和数字仿真结果表明:这种广义预测自适应控制器对各类扰动和对象参数变化具有很强的鲁棒性。     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的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外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

基于模糊补偿的机械手鲁棒自适应模糊控制研究

多关节机械手系统中普遍存在摩擦特性、随机干扰及负载变化等非线性因素的影响。针对传统的PID控制和模糊控制很难对该类系统实现快速高精度的跟踪控制等问题,本文在模糊信息已知并且所有状态变量均可测得的情况下,设计了一种基于模糊补偿的鲁棒自适应模糊控制律。同时,为了减少模糊逼近的计算量,提高运算效率,采用了对不同的扰动补偿项加以区分、分别逼近的方法。仿真实验结果表明,这种改进的带模糊补偿的鲁棒自适应模糊控制可以很好地抑制摩擦、扰动及负载变化等非线性因素的影响。     

一种新的鲁棒自适应控制器

本文通过引入估计误差符号信息的反馈来建立一种新的鲁棒自适应控制器，能确保存在有界外部干扰时Ｌｙａｐｕｎｏｖ函数对时间的导数的半负定性，从而确保了系统的稳定性，使系统具有较强的鲁棒性，理论分析与仿真结果表明，该鲁棒自适应控制器对有界外部干扰有较强的抑制能力，并且可以加快自适应初始阶段的收敛速度。     

基于事件触发的离散 MIMO 系统自适应评判容错控制

本文针对具有执行器故障的一类离散非线性多输入多输出(Multi-input multi-output, MIMO)系统, 提出了一种基于事件触发的自适应评判容错控制方案. 该控制方案包括评价和执行网络. 在评价网络里, 为了缓解现有的非光滑二值效用函数可能引起的执行网络跳变问题, 利用高斯函数构建了一个光滑的效用函数, 并采用评价网络近似最优性能指标函数. 在执行网络里, 通过变量替换将系统状态的将来信息转化成关于系统当前状态的函数, 并结合事件触发机制设计了最优跟踪控制器. 该控制器引入了动态补偿项, 不仅能够抑制执行器故障对系统性能的影响, 而且能够改善系统的控制性能. 稳定性分析表明所有信号最终一致有界且跟踪误差收敛于原点的有界小邻域内. 数值系统和实际系统的仿真结果验证了该方案的有效性.