状态观测的未知死区非线性系统的自适应神经网络跟踪控制

研究一类包含不确定项和未知死区特性的严格反馈系统跟踪控制问题.首先,设计状态观测器估计不可测量的系统状态;然后,利用RBF神经网络逼近未知的系统动态;最后,基于Backstepping技术构造自适应神经网络输出反馈控制器,并减少更新参数以减轻运算负荷.所提出的控制器可以保证闭环系统中所有信号半全局最终一致有界,跟踪误差能收敛到零值小的领域内.两个仿真例子进一步验证了所提出方法的有效性.     

输入死区下的多输入多输出系统自适应神经网络容错控制

针对一类具有传感器故障和不对称输入死区的非线性多输入多输出非严格反馈系统,本文提出一种自适应神经网络容错控制方案.控制器的设计以反步法为框架,采用自适应神经网络控制方法处理传感器故障,利用死区斜率的有界性补偿输入死区对系统性能造成的影响,同时引入动态面控制技术克服“计算爆炸”的问题.该控制方法不仅能够保证闭环系统中所有...     

输出死区下的随机多智能体系统一致性饱和控制

针对一类存在输入饱和和输出死区现象的非严格反馈非线性随机多智能体系统,提出一种自适应神经网络一致性饱和控制算法.首先,为了解决非对称输入饱和问题,构造一类与所考虑智能体相同阶次的辅助系统;然后,以反步法和辅助系统作为框架,利用神经网络处理系统中的未知非线性函数,并结合Nussbaum函数解决输出死区问题;接着,利用动态面控制技术避免“计算爆炸”问题;然后,基于李雅普诺夫稳定性理论验证所提出的控制算法能够保证闭环系统全部信号依概率半全局一致最终有界;最后,通过数值仿真和实例仿真的结果验证所提出控制算法的有效性.     

严格反馈非线性系统的自适应神经网络输出反馈控制

基于非线性反馈函数,文章设计神经网络状态观测器,解决一类非线性系统的输出反馈控制问题.非线性反馈神经网络观测器在系统存在不确定性函数的情况下实时估计系统状态.利用所获得的状态信号,设计了自适应神经网络动态面控制器,同时保证了闭环系统的稳定性和所有信号的有界性.通过调节设计参数的取值能够达到期望的闭环跟踪性能.数值仿真表明,所设计的状态观测器不需要对原系统做状态变换,能够克服输出反馈滑模控制器带来的抖震问题.     

随机时滞系统的神经网络输出反馈动态面控制

针对一类具有未知控制方向的随机时滞系统设计自适应神经输出反馈控制器.首先,利用状态观测器估计不可测量的系统状态;其次,选择合适的Lyapunov-Krasovskii函数消除未知延迟项对系统的影响,利用Nussbaum-type函数处理系统的未知控制方向问题,通过神经网络逼近未知的非线性函数,以及用动态表面控制(DSC)解决控制器设计中出现的复杂性问题;最后,通过Lyapunov稳定性理论,构造一个鲁棒自适应神经网络输出反馈控制器,可以保证闭环系统中所有信号在二阶或四阶矩意义下一致最终有界,跟踪误差能收敛到零值小的领域内.仿真实例验证了所提出方法的有效性.     

对迟滞三明治系统基于Duhem算子的自适应控制

对具有迟滞非线性的三明治系统,设计了基于Duhem算子的神经网络自适应控制器.首先对前端动态子系统进行近似补偿;然后用Duhem算子描述所提出的迟滞状态,用神经网络逼近迟滞状态与迟滞输出的关系,实现对迟滞非线性的建模.基于该迟滞模型并采用伪控制技术设计神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性,并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

带有死区输入的非线性系统的自适应控制

针对一类具有死区非线性输入的非线性系统,同时考虑系统中存在未建模不确定项,设计了自适应控制器及未知参数的自适应估计率.该控制器使得闭环系统全局稳定且实现了输出信号对参考信号的精确跟踪.仿真结果进一步证实了该控制器能对未知死区及未建模动态进行有效的补偿。     

具有饱和死区非线性输入的自适应滑模跟踪控制

针对一类具有非对称饱和死区的扇区非线性输入系统,研究了自适应滑模输出反馈跟踪控制问题．在假设系统数学模型已知或未知的情形下,分别基于自适应观测器和模糊观测器,提出了滑模控制器的综合设计方案,并通过定义一类李亚普诺夫函数给出了自适应控制器和模糊逻辑系统的参数调整律．所提方法不仅具有对系统模型依赖性小的优点,而且增强了对扰动的鲁棒性,并保证了整个闭环跟踪误差系统的稳定性．最后,仿真结果验证了本方法的有效性．     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

Adaptive Neural Dynamic Surface Control for Stochastic Nonlinear Time‐Delay Systems with Input and Output Constraints

This paper presents an adaptive neural tracking control approach for uncertain stochastic nonlinear time‐delay systems with input and output constraints. Firstly, the dynamic surface control (DSC) technique is incorporated into adaptive neural control framework to overcome the problem of ‘explosion of complexity’ in the control design. By employing a continuous differentiable asymmetric saturation model, the input constraint problem is solved. Secondly, the appropriate Lyapunov‐Krasovskii functional and the property of hyperbolic tangent functions are used to deal with the unknown time‐delay terms, RBF neural network is utilized to identify the unknown systems functions, and barrier Lyapunov functions (BLFs) are designed to avoid the violation of the output constraint. Finally, based on adaptive backstepping technique, an adaptive neural control method is proposed, and it decreases the number of learning parameters. Using Lyapunov stability theory, it is proved that the designed controller can ensure that all the signals in the closed‐loop system are 4‐Moment (or 2 Moment) semi‐globally uniformly ultimately bounded (SGUUB) and the tracking error converges to a small neighborhood of the origin. Two simulation examples are provided to further illustrate the effectiveness of the proposed approach.     

Adaptive NN prescribed performance control for nonlinear systems with output dead zone

This paper investigates adaptive neural network (NN) prescribed performance output tracking control problem for a class of strict-feedback nonlinear systems with output dead zone. By introducing a Nussbaum function, the problem of unknown virtual control coefficient is resolved, which is caused by the nonlinearity in the output dead zone. By designing the state observer and utilizing backstepping recursive design technique, a new adaptive NN control method is proposed. It is shown that all the signals of the resulting closed-loop system are bounded and the tracking error remains an adjustable neighborhood of the origin with the predefined performance under the effect of output dead zone. Finally, a simulation example is given at the simulation part, which further demonstrate the effectiveness of proposed control method.

     

输入输出受限船舶的轨迹跟踪自适应递归滑模控制

针对输入输出受限, 模型部分不确定和受到未知海洋干扰的全驱动船舶的轨迹跟踪问题, 提出一种基于时 变非对称障碍李雅普诺夫函数的最小参数自适应递归滑模控制策略. 该策略首先设计障碍李雅普诺夫函数约束船 舶轨迹在有限区域内, 利用最小参数法神经网络逼近模型不确定项, 降低系统的计算复杂度, 然后采用指令滤波器 对输入信号进行幅值约束, 同时避免对因反步法导致的微分爆炸问题, 综合考虑船舶位置以及速度误差间的关系设 计递归滑模控制律, 提高系统的鲁棒性, 采用双曲正切函数和Nussbaum函数补偿由输入饱和引起的非线性项, 提高 系统稳定性. 最后通过Lyapunov理论分析证明了全驱动船舶闭环系统中所有信号是一致最终有界的. 仿真结果表 明, 本文所设计的船舶轨迹跟踪控制方案能有效处理船舶模型不确定部分以及未知外界干扰的问题, 能够实现船舶 在输入受限的情况下在有限区域内航行并准确的跟踪期望轨迹, 具有较强的鲁棒性.     

Novel adaptive neural control design for nonlinear MIMO time-delay systems

In this paper, we address the problem of adaptive neural control for a class of multi-input multi-output (MIMO) nonlinear time-delay systems in block-triangular form. Based on a neural network (NN) online approximation model, a novel adaptive neural controller is obtained by constructing a novel quadratic-type Lyapunov-Krasovskii functional, which not only efficiently avoids the controller singularity, but also relaxes the restriction on unknown virtual control coefficients. The merit of the suggested controller design scheme is that the number of online adapted parameters is independent of the number of nodes of the neural networks, which reduces the number of the online adaptive learning laws considerably. The proposed controller guarantees that all closed-loop signals remain bounded, while the output tracking error dynamics converges to a neighborhood of the origin. A simulation example is given to illustrate the design procedure and performance of the proposed method.     

Neural adaptive prescribed performance control for interconnected nonlinear systems with output dead zone

This paper is concerned with the neural‐based decentralized adaptive control for interconnected nonlinear systems with prescribed performance and unknown dead zone outputs. In the controller design procedure, neural networks are employed to identify unknown auxiliary functions, and the control design obstacle caused by the output nonlinearity is resolved via introducing Nussbaum function. Then, a reliable neural decentralized adaptive control is developed through incorporating the backstepping method and the prescribed performance technique. In the light of Lyapunov stability theory, it is verified that the proposed control scheme can ensure that all the closed‐loop signals are bounded, and can also guarantee that the tracking errors remain within a small enough compact set with the prescribed performance bounds. Finally, some simulation results are given to illustrate the feasibility of the devised control strategy.     

基于控制性能的MIMO非线性系统动态面控制

针对一类不确定非线性MIMO(multiple-input multiple-output)系统,在动态面控制方法的基础上,提出了自适应跟踪控制方案.通过引入性能函数和输出误差转换,保证输出信号具有指定的跟踪速度、跟踪误差、最大超调量.为了避免控制奇异问题,采用神经网络直接逼近期望控制信号.该方案无需估计神经网络的权值,仅对1个参数进行自适应律设计.理论证明了闭环系统所有信号有界,仿真结果验证了所提方案的有效性.     

具有输入和输出约束的高阶随机系统神经网络控制

针对高阶非线性系统,开展自适应神经网络跟踪控制器设计,系统受到随机扰动的影响.首次把输入和输出约束问题引入到高阶系统的跟踪控制中,并假定系统动态是未知.首先借用高斯误差函数表达连续可微的非对称饱和模型以实现输入约束,和障碍Lyapunov函数保证系统输出受限;其次,针对高阶非线性系统,径向基函数(RBF)神经网络用来克服未知系统动态和随机扰动.在每一步的backstepping计算中,仅用到单一的自适应更新参数,从而克服了过参数问题;最后,基于Lyapunov稳定性理论提出自适应神经网络控制策略,并减少了学习参数.最终结果表明设计的控制器能保证所有闭环信号半全局最终一致有界,并能使跟踪误差收敛到零值小的邻域内.仿真研究进一步验证了提出方法的有效性.     

基于神经网络的无人机姿态自适应控制仿真

针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。