基于时变RBF网络的非线性时变系统建模

在常规RBF神经网络中采用时变权值,将其应用于非线性时变系统的建模。采用减聚类算法确定网络隐含层神经元数与基函数中心参数,以迭代学习最小二乘算法修正神经网络时变权值,给出时变RBF网络的学习算法。分析表明,迭代学习最小二乘权值修正算法保证了网络时变权值的有界性,迭代误差收敛于零。仿真结果验证了该方法在非线性时变系统建模方面的有效性。     

基于改进的LSSVM辨识动态非线性时变系统

针对非线性时变系统难以辨识的问题,提出了一种基于改进最小二乘支持向量机的辨识新方法。该方法在加权最小二乘支持向量机的基础上,引入用矢量基学习和自适应迭代相结合的方式得到一个小的支持向量,同时采用加权方法确定权值系数以减小训练样本中非高斯噪声的影响。通过对动态非线性时变系统的仿真,结果表明该算法具有较好的鲁棒性、支持向量稀疏性和动态建模实时性。     

神经网络在线投影算法及非线性建模应用

针对神经网络难以在线学习的缺点,把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,基于新估计准则的非线性系统在线参数估计投影算法,给出前馈神经网络的一种在线运行投影学习算法.理论上证明该算法的全局收敛性,讨论算法参数的物理意义和取值范围.通过2个非线性时变系统的神经网络建模应用的仿真,验证算法的全局收敛性和在线运行能力.     

时变参数化非线性系统自适应迭代学习控制器设计

针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.     

时变非线性系统迭代学习控制遗忘因子算法

针对迭代学习P型控制算法对初始偏差和输出误差扰动的敏感性问题,研究了一种带有遗忘因子的时变非线性系统的迭代学习控制方法.在有扰动的情况下,利用迭代学习过程记忆的期望轨迹,期望控制以及跟踪误差,通过有界学习增益和批次时变因子设计学习控制器,并基于算子理论给出了控制算法存在的充分必要条件及其收敛性分析,改善了系统的鲁棒性和动态特性.最后以注塑机的注射速度控制仿真验证了本文算法的有效性.     

一类非线性时变系统的迭代学习控制

针对一类具有任意初态的不确定非线性时变系统,应用校正期望轨迹方法把任意初态问题转换为零初始误差的变期望轨迹的迭代学习控制问题,提出了求解校正期望轨迹的过渡轨迹的计算方法.然后,针对变期望轨迹问题提出了一种新的迭代学习控制算法,在算法中引入了期望轨迹的高阶导数来克服期望轨迹的变化,并通过设计稳定的跟踪误差滑动面来处理系统中非线性时变不确定性.论文给出了相关定理,并应用类Lyapunov方法给出了详细证明.仿真结果表明所提出的算法是有效的,该算法不需要系统的模型结构信息,比自适应迭代学习控制算法具有更宽的适用范围.     

用神经网络进行连续时间非线性系统建模的研究

在用神经网络进行系统建模时,建模误差的存在是难免的。为了减小这种误差,本文对连接时间非线性系统提出了一种新的神经网络辨识模型,它是由带有输入修正的神经网络和稳定滤波器组合而成。文中给出了权值的学习算法,即权值是根据辨识误差的投影算法来改变,证明了在一定条件下辨识误差的收敛性。     

控制方向未知的二阶时变非线性系统自适应迭代学习控制

对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用baCkstcpping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe-范数意义下有界,且系统的输出量在LT2-范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.     

制糖过程中递归模糊神经网络软测量技术

糖厂澄清工段过程包含复杂的物理和化学反应,具有非线性、大滞后和不确定性的特点,难以建立精确的机理模型.常规神经网络建模是静态映射,实际应用中,权值的调节不能充分利用工业生产现场的动态数据信息,效果不理想.为此,提出了含有递归环节的T-S模糊神经网络(TSRFNN)结构,采用混沌BP学习算法引入非线性自反馈项获得复杂系统的动力学特征,通过与常规T-S模糊神经网络(TSFNN)在糖厂澄清工段过程的建模与仿真试验中进行比较,结果表明,在处理这类时变复杂系统建模方面TSRFNN表现出更加优越的性能,获得了非线性系统的全局最优模型.     

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.     

Adaptive Iterative Learning Control for a Class of Nonlinear Time-varying Systems with Unknown Delays and Input Dead-zone

This paper presents an adaptive iterative learning control (AILC) scheme for a class of nonlinear systems with unknown time-varying delays and unknown input dead-zone. A novel nonlinear form of dead-zone nonlinearity is presented. The assumption of identical initial condition for iterative learning control (ILC) is removed by introducing boundary layer function. The uncertainties with time-varying delays are compensated for by using appropriate Lyapunov-Krasovskii functional and Young0s inequality. Radial basis function neural networks are used to model the time-varying uncertainties. The hyperbolic tangent function is employed to avoid the problem of singularity. According to the property of hyperbolic tangent function, the system output is proved to converge to a small neighborhood of the desired trajectory by constructing Lyapunov-like composite energy function (CEF) in two cases, while keeping all the closedloop signals bounded. Finally, a simulation example is presented to verify the effectiveness of the proposed approach.      

严格反馈非线性时变系统的迭代学习控制

针对一类含未知时变参数的严格反馈非线性系统, 提出一种实现有限作业区间轨迹跟踪控制的迭代学习算法. 基于Lyapunov-like方法设计控制器, 回避了常规迭代学习控制中受控系统非线性特性需满足全局Lipschitz连续条件的要求. 以反推设计(Backstepping)方法设计控制器, 为使得虚拟控制项可导, 引入一级数收敛序列; 将时变参数展开为有限项多项式形式, 在控制器设计中采取双曲正切函数处理余项对于系统跟踪性能的影响. 理论分析表明, 闭环系统所有信号有界, 并能够实现系统输出完全收敛于理想轨迹.     

非线性时变参数不确定系统的自适应迭代学习控制

利用离散时间轴与迭代轴之间的相似性, 提出了一种新的离散时间自适应迭代学习控制 (AILC) 方法来处理带有时变参数不确定性的非线性系统. 与自适应控制相类似, 所提出的 AILC 是基于投影算法的, 因此学习增益可以沿学习轴迭代地调节. 在随机初始状态和参考轨迹迭代变化的条件下, 所提出的 AILC 仍可沿迭代学习轴渐近地实现有限时间区间上的逐点收敛性.     

Adaptive iterative learning control for nonlinear time-delay systems with periodic disturbances using FSE-neural network

An adaptive iterative learning control scheme is presented for a class of strict-feedback nonlinear time-delay systems, with unknown nonlinearly parameterised and time-varying disturbed functions of known periods. Radial basis function neural network and Fourier series expansion (FSE) are combined into a new function approximator to model each suitable disturbed function in systems. The requirement of the traditional iterative learning control algorithm on the nonlinear functions (such as global Lipschitz c...     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

Two-loop reinforcement learning algorithm for finite-horizon optimal control of continuous-time affine nonlinear systems

This article proposes three novel time-varying policy iteration algorithms for finite-horizon optimal control problem of continuous-time affine nonlinear systems. We first propose a model-based time-varying policy iteration algorithm. The method considers time-varying solutions to the Hamiltonian–Jacobi–Bellman equation for finite-horizon optimal control. Based on this algorithm, value function approximation is applied to the Bellman equation by establishing neural networks with time-varying weights. A novel update law for time-varying weights is put forward based on the idea of iterative learning control, which obtains optimal solutions more efficiently compared to previous works. Considering that system models may be unknown in real applications, we propose a partially model-free time-varying policy iteration algorithm that applies integral reinforcement learning to acquiring the time-varying value function. Moreover, analysis of convergence, stability, and optimality is provided for every algorithm. Finally, simulations for different cases are given to verify the convenience and effectiveness of the proposed algorithms.     

迭代学习控制在线性时变系统终端控制问题中的应用研究

An iterative learning control algorithm based on shifted Legendre orthogonal polynomials is proposed to address the terminal control problem of linear time-varying systems. First, the method parameterizes a linear time-varying system by using shifted Legendre polynomials approximation. Then, an approximated model for the linear time-varying system is deduced by employing the orthogonality relations and boundary values of shifted Legendre polynomials. Based on the model, the shifted Legendre polynomials coefficients of control function are iteratively adjusted by an optimal iterative learning law derived. The algorithm presented can avoid solving the state transfer matrix of linear time-varying systems. Simulation results illustrate the effectiveness of the proposed method.