周期时变时滞非线性参数化系统的自适应学习控制

针对一阶未知非线性参数化周期时变时滞系统, 设计了一种自适应学习控制方案. 假设未知时变参数, 时变时滞和参考信号的共同周期是已知的, 通过重构系统方程, 将包含时变时滞在内的所有未知时变项合并成为一个周期时变向量, 采用周期自适应律估计该向量. 通过构造一个Lyapunov-Krasovskii型复合能量函数证明了所有信号有界并且跟踪误差收敛. 结果被推广到一类含有混合参数的高阶非线性系统. 通过两个仿真例子说明本文所提出的控制算法的有效性.     

输入饱和非线性系统的周期自适应补偿学习控制

针对一类输入饱和不确定Brunovsky标准型非线性时滞系统,提出一种周期自适应跟踪补偿学习算法. 利用信号置换思想重组系统,基于最小公倍周期函数变换,将时滞时变项和不确定项合并为辅助参数,进而设计周期自适应学习律估计该辅助量,并利用饱和补偿器逼近和补偿超出饱和限的部分,由此构成综合控制器,以保证系统状态对有界期望值的跟踪,解决了饱和输入周期系统的重复迭代学习控制问题. 最后通过构造Lyapunov-Krasovskii复合能量函数的差分,计算证明了系统跟踪误差的收敛性和闭环信号值的有界性. 常见耦合非线性机械臂系统的力矩控制仿真,进一步验证了该算法的有效性.     

非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.     

基于观测器的非线性时变时滞系统自适应重复控制

针对一类未知时变时滞非线性系统,提出一种基于观测器的重复控制方案．采用线性矩阵不等式设计非线性观测器,所设计的控制律含有ＰＩＤ 反馈项,常值参数自适应律是微分差分型的,时变参数学习律是差分型的．在假设未知时变时滞、时变参数和参考输出的周期有已知的最小公倍数下,通过构造一个Ｌｙaｐｕｎｏｖ-Ｋｒａｓｏｖｓｋｉｉ型复合能量函数,证明了所有闭环信号有界且输出跟踪误差收敛．仿真实例表明了算法的有效性．     

含有未知控制方向的非线性时滞系统学习控制

本文对于一类含有未知控制方向及时滞的非线性参数化系统,设计了自适应迭代学习控制算法.在设计控制算法过程中采用了参数分离技术和信号置换思想来处理系统中出现的时滞项,Nussbaum增益技术解决未知控制方向等问题.为了对系统中出现的未知时变参数和时不变参数进行估计,分别设计了差分及微分参数学习律.然后通过构造的Lyapunov-Krasovskii复合能量函数给出了系统跟踪误差渐近收敛及闭环系统中所有信号有界的条件.最后通过一个仿真例子说明了控制器设计的有效性.     

基于观测器的非线性时变时滞系统自适应重复控制

针对一类未知时变时滞非线性系统,提出一种基于观测器的重复控制方案．采用线性矩阵不等式设计非线性观测器,所设计的控制律含有ＰＩＤ 反馈项,常值参数自适应律是微分 差分型的,时变参数学习律是差分型的．在假设未知时变时滞、时变参数和参考输出的周期有已知的最小公倍数下,通过构造一个Ｌｙaｐｕｎｏｖ-Ｋｒａｓｏｖｓｋｉｉ型复合能量函数,证明了所有闭环信号有界且输出跟踪误差收敛．仿真实例表明了算法的有效性．

     

含有参数化和非参数化不确定性系统重复学习控制

针对含有参数化和非参数化的高阶非线性系统,设计了一种重复学习控制方案.假设未知时变参数和参考信号的共同周期是已知的,通过参数重组技巧,将所有未知时变项合并为一个周期时变向量.将改进Backstepping方法与分段积分机制相结合,构造了微分-差分参数自适应律和重复学习控制律,使跟踪误差在误差平方范数意义下渐近收敛于零.利用Lyapunov泛函,给出了闭环系统收敛的充分条件.仿真结果验证了该方法的有效性.     

一类非线性参数化系统的迭代学习控制

针对一类含有时变和时不变参数的高阶非线性系统,提出了一种新的自适应迭代学习控制方法。该算法利用参数分离性原理和改进的Backstepping方法相结合,可以处理非线性参数化系统的跟踪问题。非线性参数化不确定项利用分离性原理来解决,而Backstepping方法处理不匹配的不确定项。通过构造参数的微分型自适应律和差分型自适应律,使得跟踪误差的平方在一个有限区间上的积分收敛于零。构造了Lyapunov-like函数和自适应学习控制律,证明了所有信号均在有限区间上的积分的意义下是有界的。仿真结果验证了所提算法的有效性和可行性。该方法为以后设计类似的非线性参数化系统的跟踪问题提供了先验知识。     

时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.