基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于模型预测控制的电动车辆队列控制研究

针对车辆队列建模时参数不确定导致控制存在误差的问题,以及队列中跟随车辆稳定性问题,分析车辆纵向动力学,设计一个鲁棒MPC控制器和滑移率控制器来提高队列车辆的控制精度和稳定性.首先对纵向MPC控制器进行改进,提高车辆队列控制精度;同时为防止跟随车辆的轮胎打滑,设计一个MPC滑移率控制器对跟随车辆的轮胎滑移率进行控制约束,保证了跟随车辆的纵向稳定性.最后,进行仿真实验验证其有效性.仿真实验结果表明,与传统的LQR、MPC控制器相比,改进的鲁棒MPC纵向控制器控制精度更高,同时MPC滑移率控制器可防止跟随车辆的轮胎打滑,保证了跟随车辆的纵向稳定性.     

基于神经网络的非线性预测控制综述

基于神经网络的非线性预测控制是智能控制中的重要前沿课题,在工业过程控制领域有着非常大的应用前景。从预测方式、控制律求解方法和典型应用等几个角度对基于神经网络的非线性预测控制做了综述。对其中的关键技术做了深入阐述。并指明了今后的发展方向。     

双侧电驱动履带车辆运动解耦与变结构控制

针对双侧电驱动履带车辆运动控制强非线性、强耦合和不确定性的特点,提出一种解耦的控制结构,并设计各子系统控制器.首先,将运动控制系统分解为速度、横摆角速度两个独立子系统,克服传统差速控制存在的强耦合.其次,采用积分滑模控制方法,引入非线性积分滑模面,设计了能有效克服路面不确定扰动、消除积分饱和的速度控制器,实现车速的无超调、无静差的跟踪;考虑驱动电机饱和约束,结合模糊自适应与滑模控制算法,设计了能够适应转向阻力非线性变化的横摆角速度控制器,提高车辆转向运动控制的抗扰能力、降低控制量抖振.仿真结果表明,控制策略实现多种工况下车辆快速、准确的直线、转向运动控制.     

基于神经网络的非线性系统多步预测控制

针对离散非线性系统,利用非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络多步预测控制方法,并给出了控制律的收敛性分析．该方法将非线性系统处理成简单的线性和非线性两部分,对复杂的非线性多步预测方程给出了直观而有效的线性形式,并用线性预测控制方法求得控制律,避免了复杂的非线性优化求解．仿真结果表明了该算法的有效性．     

一类非线性系统的神经网络预测控制

针对一类具有特殊模型的非线性系统本文提出了一种新型神经网络预测控制算法。该算法利用线性系统预测控制技术和神经网络的非线性映射及并行处理能力来求实际控制量,避免了解非线性方程和非线性预测控制所需的在线数值寻优计算,减少了计算量和计算时间。仿真结果表明了该算法的何效性。     

基于神经网络模型的非线性多步预测学习控制器

构造出一种建模网络,通过对它的学习来辨识过程动态,通过对广义预测控制目标函数的在线优化求得控制律.仿真结果验证了该算法的有效性.     

基于神经网络的非线性系统稳定自适应控制

本文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 ,提出了一种基于神经网络的稳定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稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

水下机器人神经网络自适应逆控制

水下环境的复杂性以及自身模型的不确定性，给水下机器人的控制带来很大困难。针对水下机器人的特点和控制方面所存在的问题，提出了基于预测—校正控制策略的水下机器人神经网络自适应逆控制结构及训练算法。通过在线辨识系统的前向模型，估计出系统的Jacobian矩阵，然后采用预报误差法实现控制器的自适应。同时，为了提高系统对于外扰的鲁棒性，在伪线性回归算法的基础上，在评价函数中引入微分项。理论分析和仿真结果表明，与原来的算法相比，微分项的引入改善了系统对于外扰的鲁棒性和动态性能。     

一类非线性系统基于Backstepping的自适应鲁棒神经网络控制

针对一类未知非线性系统提出了一种基于Backstepping的自适应神经网络控制方法, 放松了满足匹配条件, 要求神经网络逼近误差的边界已知等一些限制性的假设. 扩展了自适应backstepping和自适应神经控制的适用范围, 整个闭环系统表明是最终一致有界的, 跟踪误差收敛于原点的一个大小可调的邻域.     

非线性系统神经网络稳定自适应控制器的研究

提出一种利用神经网络逼近具有不确定性及随机干扰的仿射非线性系统新算法，采用自适应控制率在线调节网络权值，基于Ｈ∞控制选择控制量以削减噪声干扰，并从理论上证明了采用该算法后系统的全局稳定性。将该算法用于气动系统位置跟踪，仿真结果表明该算法具有跟踪精度高，收敛速度快的优点。     

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.     

基于神经网络的非线性系统预测函数控制

针对离散非线性系统,利用神经网络非线性激励函数的局部线性表示,提出一种可用于非线性过程的神经网络预测函数控制方法并给出了控制律的收敛性分析.该方法将复杂的神经网络非线性预测方程转化成直观而有效的线性形式,同时利用线性预测函数方法求得解析的控制律,避免了复杂的非线性优化求解,仿真结果表明了算法的有效性.     

Adaptive recurrent-functional-link-network control for hypersonic vehicles with atmospheric disturbances

The controller design for a near-space hypersonic vehicle (NHV) is challenging due to its plant uncertainties and sensitivity to atmospheric disturbances such as gusts and turbulence. This paper first derives 12 states equations of NHVs subjected to variable wind field, and presents a novel recurrent neural network (RNN) control method for restraining atmospheric disturbances. The method devises a new B-spline recurrent functional link network (BRFLN) and combines it with the nonlinear generalized predictiv...     

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.     

采用自适应自回归小波神经网络的单步预测控制

针对非线性系统的控制问题,提出一种基于神经网络辨识的单步预测控制算法。算法在自回归小波神经网络的基础上,利用混沌机制消除了神经网络易陷入局部极值的缺点．采用自适应性学习率,提高神经网络的收敛能力和速度．以该神经网络为预测模型,引入输出反馈和偏差校正克服预测误差,以此构造一步加权预测控制性能指标。然后采用Brent一维搜索方法求取控制律,Brent法无需任何相关的导数信息,需调整的参数少,使得Brent法适合实时控制．仿真研究说明了该非线性预测控制器的有效性。