一类基于FNN的非线性系统自适应控制

模糊神经网络用于控制，主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于模糊神经网络具有学习能力和自适应性，使得其能对变化的环境有自适应性，控制器也基本上不依赖于模型，针对一类非线性系统，利用模糊神经网络对系统进行建模提出一种鲁棒自适应控制方法。首先利用李雅普诺夫定理证明在一定的条件下，闭环系统必能稳定，并证明这个条件即非线性函数f(x)中的x必落入某一紧集中成立，同时考虑其控制性能，选择鲁棒控制量，使跟踪误差达到要求的性能指标。理论分析和仿真结果说明了该控制算法的可行性和有效性。     

一类非线性系统的自适应控制

文中研究了系数不等的三角型非线性系统，给出了同时包含非线性项不确定性和扰动不确定性系统的自适应控制设计过程，并证明了其稳定性，最后通过仿真示例验证了这种方法的有效性     

滞环容差自适应算法的直接转矩控制研究

传统感应电机直接转矩控制(DTC)系统的滞环控制器为Bang-Bang控制, 其滞环容差保持不变, 因此低速下被调节的磁链和转矩具有较大脉动. 为改善转矩和磁链响应, 在传统滞环比较器基础上, 提出了一种滞环容差自适应调节控制方法, 通过对转矩或磁链误差的当前采样值和历史采样值以及滞环比较历史输出值的综合比较, 得到当前滞环输出控制信号, 并充分利用零电压矢量和反向电压矢量, 达到满意控制效果. 仿真结果表明该算法不仅能有效降低定子磁链和转矩脉动, 也能够有效降低开关频率, 提高了逆变器效率.     

一类非线性系统基于滑模原理的模糊自适应控制

针对一灰非线怀系统，设计出了一各自适应控制方案，用模糊逻辑逼近非线性函数，滑模原理及李雅普诺夫函数设计出自适应控制器。然后，用模糊推理进行修正，以克服一般滑模控制具有的抖动现象，保证闭环系统的稳定性和跟踪误差收敛于零的某邻域内。     

一类基于FNN的非线性系统自适应控制

模糊神经网络用于控制,主要是为了解决复杂的非线性、不确定、不确知系统的控制问题。由于模糊神经网络具有学习能力和自适应性,使得其能对变化的环境有自适应性,控制器也基本上不依赖于模型,针对一类非线性系统,利用模糊神经网络对系统进行建模提出一种鲁棒自适应控制方法。首先利用李雅普诺夫定理证明在一定的条件下,闭环系统必能稳定,并证明这个条件即非线性函数f(x)中的x必落入某一紧集中成立,同时考虑其控制性能,选择鲁棒控制量,使跟踪误差达到要求的性能指标。理论分析和仿真结果说明了该控制算法的可行性和有效性。     

基于自适应遗传算法的非线性PID控制器

生物发酵利用夹套进行加热和冷却,其温度控制精度非常重要.但这种以温度为被控对象往往存在严重的积分纯滞后现象,采用常规的控制算法难以达到所要求的控制品质.基于PID控制器各增益参数与偏差信号之间的非线性关系,采用出一种非线性PID控制器.同时,针对经典遗传算法收敛速度慢,易陷入早熟,局部最优等缺点,提出一种自适应遗传算法,自适应遗传算法通过建立适应值差值函数来适时调整交叉、变异概率.这使算法具有自适应性,将其应用于非线性PID控制器参数寻优.仿真结果表明,基于此遗传算法寻优的非线性PID控制器可以有效的抑制大滞后系统的超调缺陷,具有较好的控制精度.     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

一类非线性系统的自适应控制

提出一种带有状态观测器的非线性系统自适应控制策略，实现了非线性系统的镇定和零误差跟踪。这种方法简单有效，尤其适用于状态不可观测系统和输出无法直接连接测量的非线性系统。     

基于神经元的自适应预测PID控制

提出了一种采用神经元的自适应预测PID控制方案。神经元具有很强的自学习和自适应能力，它可根据系统的误差并通过一定的学习算法来不断修正控制器的参数，使控制器能够适应受控对象结构的参数以及环境的变化。因此采用单神经元构成自适应PID控制器，将神经元与PID控制结合，对PID参数进行在线寻优、自校正，使PID控制能有效地对付一些较复杂非线性被控对象，特别是难于用传统方法建模的被控对象。同时为了提高系统的快速跟踪和抗干扰能力，采用动态自适应神经元（APE）对非线性系统进行预测，即用神经元建立起非线性系统的预测模型，预测系统的未来输出，从而提高了控制系统的控制品质。同时详细介绍了该控制系统的自适应控制算法。仿真结果表明，这种自适应控制方案切实可行，其控制品质明显优于常规PID控制，且具有较强的鲁棒性，达到了良好的控制效果。     

一类不确定非线性系统的模糊自适应容错控制

针对一类不确定非线性系统提出了间接模糊自适应容错控制器的设计方法。利用模糊逻辑系统来逼近未知函数包括故障项,用滑模控制补偿模糊逼近误差,通过改变控制器结构来补偿执行器故障所带来的影响,同时基于Lyapunov方法进行了稳定性分析。通过仿真验证该方法的有效性。     

一类多变量不确定非线性系统的自适应模糊监督控制

针对一类不确定非线性多变量系统,应用带有监督控制功能的间接型自适应模糊控制方法,在不要求被控系统增益矩阵可逆的条件下设计了自适应控制器.这种自适应控制器不仅能够保证闭环系统的所有信号有界,而且使跟踪误差收敛到原点的一个小领域内.仿真结果表明了该方法的有效性.     

一类不确定非线性系统的鲁棒自适应控制

针对具有有界扰动的参数化严格反馈非线性系统,提出了一种鲁棒自适应控制方案。用辨识器估计系统未知参数,利用“确定性等价原则”构成自适应控制方案,从而实现了辨识器与控制器设计的完全分离。所设计的自适应控制器既能保证闭环系统所有信号的全局有界性,又能使输出跟踪误差以指数速度收敛到零的一个小邻域内。仿真结果表明了所提控制方案的有效性。     

非线性系统的直接自适应模糊Backstepping控制

研究了一类单输入单输出非线性系统的自适应跟踪问题,提出了一种直接自适应模糊Backstepping控制策略,与传统的Backstepping自适应控制方法相比,控制器的设计更为简单。通过理论分析,证明闭环系统是半全局一致终结有界的;跟踪误差收敛到一个小的残差集内.仿真结果表明了该方法的有效性。     

非线性系统模糊神经网络直接自适应控制

提出一种基于模糊神经网络的自适应控制方法。由模糊神经网络构成非线性预测器，利用使预测输出等于参考输出，生成实时控制信号。对自适应算法进行了理论分析，结合实例进行了仿真。     

一类不确定非线性系统的状态参考自适应滑模控制

针对一类非匹配不确定非线性系统。基于状态参考自适应控制算法和滑模控制策略。提出了状态参考自适应反演滑模控制方案，实现了不确定非线性系统的鲁棒输出跟踪。与现有的控制器设计相比，大大降低了控制系统阶次，允许系统存在非参数化的不确定性和未知扰动，增强了控制系统鲁棒性。仿真算例证明了理论研究成果的正确性和鲁棒性。     

利用BP神经网络进行伺服系统间隙非线性补偿

目的为了消除普遍存在于伺服系统中的间隙非线性的影响,提出一种利用BP神经网络进行非线性补偿的方法.方法以某武器跟踪伺服系统为例,采用一个3层BP神经网络对其间隙非线性特性进行离线辨识,然后根据辨识结果设计一个非线性补偿器.结果仿真结果表明所提出的方法能够有效消除间隙特性引起的系统自振荡(极限环),并且能够提高系统精度.结论利用BP神经网络进行间隙非线性补偿的方法能够有效解决伺服系统中间隙特性带来的影响,且易于在工程中实现.     

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。     

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。     

非线性系统的一种变结构自适应控制设计

本文研究了一种含有未知参数非线性系统的变结构自适应控制设计方法,作者首先通过状态反馈和坐标变换将非线性系统变成线性系统,然后将变结构控制与自适应控制结合起来,给出了具有滑动模态的模型参考自适应控制设计方法,从而解决了一类非线性系统的模型跟踪问题。最后应用简单算例证实了该设计方法的可行性。