基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.     

自适应神经元非模型多变量系统解耦控制

根据解耦原理和神经网络的思想，提出一种不依赖对象模型的自适应神经元解耦方法，并以采用单神经元PID作为控制器的三输入三输出系统为例，详细分析了神经元解耦控制的学习方法，及在多变量系统中的工作机理，仿真结果表明，其构成的神经元补偿器具有很强的自学习功能和自适应解耦能力。     

基于动态神经网络的鲁棒自适应跟踪

研究了一类基于两层动态神经网的仿射型鲁棒适应跟踪问题，对于未知的仿射非线性系统，提出了新的鲁棒学习算法，该算法不需要知道 理想权值的界。     

一种基于模型参考自适应的神经网络控制

工业对象的动态特性具有大迟延、大惯性、时变性和不确定性等特点,难以建立精确的数学模型,从而使得建立在精确对象数学模型基础上的经典控制方法及状态空间控制方法难以取得满意的控制效果.基于神经网络的自适应神经网络控制具有鲁棒性高、自适应能力强、适用于工业过程控制.本文提出一种基于神经网络的模型参考自适应神经网络控制系统.仿真试验表明,此系统具有良好的品质特性.     

基于神经网络的一类非线性系统自适应跟踪控制

提出一种非线性系统的自适应神经跟踪控制方案。通过利用RBF神经网络对未知非线性系统建模,并用一个滑模控制项消除网络建模误差和外部干扰的影响,从而能够保证闭环系统的全局稳定性和输出跟踪误差渐近收敛于零。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

基于自适应神经网络的AUVs路径跟踪控制

为解决由于随时间变化水动力阻尼引起的参数变化和不确定性的问题,提出了基于径向基函数神经网络的未知评估算法,引入自适应算法以保证神经网络权值的最优评估.基于Lyapunov稳定性理论,设计一种自适应神经网络控制器以保证路径跟踪系统中所有误差状态都趋于稳定.为了验证该控制器的可行性,对系统施加如位置误差、方向误差等虚拟干扰,证明该控制器可将误差消减为零.另一方面,机器人在以恒定的速度行驶时,每个航点被指定一个适合半径的圆弧可以保证其有较高的精度.为了评估路径跟踪控制器的性能,提出直线型和直线加圆弧型路径方案.仿真结果表明,该控制器可以有效地消除机器人非线性和模型不确定性造成的干扰.     

含有驱动器模型的移动机器人自适应跟踪控制

本文针对包含驱动器模型的移动机器人, 考虑到其在粗糙表面上运动过程中所受的摩擦力以及不可建模的动态的影响, 使用反步设计法(Backstepping)给出了一种自适应跟踪控制策略.其中对于不可建模的动态, 本文使用一种非线性函数对其影响进行抵消,使得机器人的路径跟踪对不确定具有鲁棒性; 对于摩擦力项, 使用径向基神经网络(RBFNN)对其进行逼近, 在控制器中能够根据逼近值给予相应的摩擦力补偿量, 从而使移动机器人比较适合在粗糙度大的路面(如沙地)上进行路径跟踪. 仿真结果验证了该控制方法的有效性.     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于双权值神经网络的焊缝跟踪自适应控制设计

基于双权值神经网络设计了一个模型参考自适应控制系统,以实现焊缝跟踪的自适应控制.通过分析双权值神经网络控制器在最陡下降法训练下的收敛和稳定条件,保证系统达到稳定运行的状态.最后仿真实验证明,由于存在方向权值和核心权值双权值的调整,基于双权值神经网络的焊缝跟踪控制系统的性能远优于BP网络控制系统的性能,可以更好地实现焊缝的实时跟踪控制.     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

神经网络自适应滑模控制的不确定机器人轨迹跟踪控制

提出一种针对机器人跟踪控制的神经网络自适应滑模控制策略。该控制方案将神经网络的非线性映射能力与滑模变结构和自适应控制相结合。对于机器人中不确定项,通过RBF网络分别进行自适应补偿,并通过滑模变结构控制器和自适应控制器消除逼近误差。同时基于Lyapunov理论保证机器手轨迹跟踪误差渐进收敛于零。仿真结果表明了该方法的优越性和有效性。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

非线性系统基于HM模型的自适应鲁棒跟踪控制

研究了非线性系统的跟踪控制问题，基于HM模型对非线性系统进行描述，并将全局模糊模型表示成不确定系统形式。在满足匹配条件下，针对未知不确定界，采用自适应鲁棒控制器，利用自适应变量信息来补偿系统的不确定性信息，实现了非线性系统的渐近跟踪控制。一级倒立摆仿真实验，验证了方案的有效性。控制器结构简单，规则少，具有应用价值。     

基于MGPI模型的SMA柔性驱动自适应NN控制

形状记忆合金(SMA)作为一类仿人肌肉驱动的智能柔性驱动材料,在机器人及高端制造等领域逐步得到应用,但由于SMA的热力学效应,造成输入输出之间存在强饱和回滞非线性,从而影响了驱动性能.此外在引入负载后, SMA柔性驱动部件输出性能表现出更为复杂的驱动特性.因此,如何有效抑制带载条件下SMA柔性驱动部件强饱和非线性影响,成为提升驱动性能的关键.针对此问题,本文重点研究带载条件下SMA柔性驱动部件的建模及驱动控制算法.针对SMA驱动部件中的强饱和非线性特性,本文提出一类修正(MGPI)回滞模型来进行表征.通过设定线性输入形状函数,不仅有效解析表征SMA驱动部件中的饱和回滞非线性,并且便于控制器设计.基于MGPI模型,考虑柔性驱动部件的动态特性,本文提出了带载条件下的SMA柔性驱动部件的自适应神经网络控制算法,实现考虑内部非线性和外部干扰条件下的驱动精度有效提升,并保证全局稳定性.     

PID自适应控制

提出将ＰＩＤ继电自整定与神经网络相结合，共同完成ＰＩＤ自适应控制，以一个两层线性网络构造ＰＩＤ控制器，由ＰＩＤ继电自整定法获取的ＰＩＤ参数值做适当地修正后作为网络权的初值，实现对系统的在线控制。     

基于动态结构自适应神经网络的不确定时滞系统跟踪控制

针对一类不确定时滞非线性系统,提出一种自适应跟踪控制器.首先采用Lyapunov-Krasovskii函数设计时滞补偿器,并构造其中的参数调节规律.再针对建模误筹及小确定非线性,引入动态结构自适应神经网络,其隐层神经元个数可以随着跟踪误差的增大而在线增加,以提高逼近精度.最后,用仿真示例表明本文所提方法是有效的.     

一类非线性跟踪系统的自适应控制及神经网络的设计方法

本文针对一类非线性系统，给出了非线性不同情况下此类非线性连续时间自适应控制方案及神经网络控制方案，由于在这种方案中控制法律的选择都是基于Ｌｙａｐｕｎｏｖ稳定性理论，都能够解决这类非线性系统的跟踪问题，并使整个环控制系统具有渐近稳定和参数渐近收敛特性，克服了许多神经网络控制系统中存在的稳定性问题，文中最后对两各发进行讨论及仿真。