基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

基于观测器的机械手神经网络自适应控制

提出了一种基于观测器的机械手神经网络自适应轨迹跟随控制器设计方法,这里机 械手的动力学非线性假设是未知的,并且假设机械手仅有关节角位置测量.文中采用一个线 性观测器重构机械手的关节角速度,用神经网络逼近修正的机械手动力学非线性,改进系统 的跟随性能.基于观测器的神经网络自适应控制器能够保证机械手角跟随误差和观测误差的 一致终结有界性以及神经网络权值的有界性,最后给出了机械手神经网络自适应控制器-观 测器设计的主要理论结果,并通过数字仿真验证了所提方法的性能.     

非参数不确定性非线性系统的自适应观测器设计

本文考虑一类不确定非线性系统的自适应观测器设计问题.系统的不确定性不能参数化,这类非线性系统的观测器无法用传统方法设计.首先用神经网络对系统的不确定性进行逼近,然后利用神经网络的基函数向量对系统进行滤波变换,再由此构造自适应观测器.给出了观测误差估计.本文结果表明适当选定神经网络的逼近精度和调整观测器的设计参数可使观测误差任意地小.     

基于动态递归神经网络的一类非线性不确定系统的自适应观测器

针对一类非线性不确定系统，当其状态不可测时，在基于动态递归神经网络的观测器中，对用来抑制不确定性、保证观测器鲁棒观测的控制项进行恰当的设计。仿真结果证实了该设计的有效性。     

3RPS/UPS并联机器人神经网络观测器反演控制

为了增强4D互动立体游戏仿真模拟平台的刚度和运动性能，将带冗余结构的3RPS/UPS并联机器人应用其中。首先对其结构进行介绍及逆运动学分析，然后针对传统PID控制在控制精度方面的不足，提出了一种基于神经网络观测器的反演控制方法。最后利用MATLAB对其进行建模以及系统仿真实验，并与传统PID控制以及一般的RBF神经网络自适应控制进行对比。由仿真结果可以看出，根据RBF神经网络观测器估计系统状态值，并应用反演控制理论设计控制器，能实现很好的状态观测，从而实现无需速度信号的位置跟踪。该方法也能够在一定程度上提高精度，且其整体控制效果优于传统PID控制器，相比于一般的RBF神经网络自适应控制也有了一定的改进。     

基于无速度传感器观测器的转速辨识

在矢量控制系统中,针对传统速度观测器辨识反应慢、精度低和稳定性差等问题,提出一种简化的增益矩阵选择方法,结合优化算法分析,设计了一种改进型速度状态观测器,并将此新型速度观测器结合MRAS辨识方法应用到无速度传感器调速系统中,使得系统稳定性与观测精度得到明显改善,动态性能也相应提高。在Matlab/Simulink下对相应控制系统构建仿真模型,通过仿真结果表明:采用改进观测器后的调速系统能更快速、准确辨识,系统性能更稳定。     

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.     

基于改进型滑模观测器的永磁同步电机无位置传感器控制

永磁同步电机无位置传感器控制技术通常使用滑模观测器观测反电动势,进而获取转子位置和速度信息.为提升滑模观测器的性能,本文设计了一种改进型自适应超螺旋滑模观测器.首先,文章在超螺旋滑模观测器结构中增加观测误差的线性项,以提高观测器的动态性能.接着,为解决观测器增益在不同速域下参数不匹配的问题,本文提出一种观测器参数自适应调整策略,提升了观测器参数鲁棒性.在此基础上,采用同步参考系滤波器滤除输出信号的高次谐波,进一步提高观测精度.最后,仿真结果表明,与传统方法相比,本文提出的方法观测性能更好,鲁棒性更强.     

基于Petri模糊神经网络磁通观测器的感应电动机无速度传感器控制

利用Petri模糊神经网络构造电流观测器,基于电流观测值构造感应电动机的转子磁通观测器,根据磁通观测值进行电动机转子速度的计算.基于一种新颖的感应电动机解耦模型,设计了感应电动机的滑模反推控制器,并给出了Petri模糊神经网络的收敛性证明.通过MATLAB仿真验证了系统设计的有效性.     

一类仿射型非线性系统智能故障诊断

针对一类仿射型非线性系统,在状态不完全可观测的条件下,研究其智能故障诊断问题.首先,利用微分同胚,提出系统观测器设计问题;然后针对该系统提出基于RBF神经网络逼近故障特性函数的故障诊断方法.所设计的观测器不仅能保证观测器稳定,而且通过观测误差信号识别系统故障的发生,保证了故障检测算法的鲁棒性和故障系统的稳定性;同时该设计方法对于设计常规的高增益观测器有一定帮助.最后通过仿真示例表明了所设计方法的有效性.     

Convergence of discrete delayed Hopfield neural networks

The discrete delayed Hopfield neural networks is an extension of the discrete Hopfield neural networks. In this paper, the convergence of discrete delayed Hopfield neural networks is mainly studied, and some results on the convergence are obtained by using Lyapunov function. Several new sufficient conditions for the delayed networks converging towards a limit cycle with period at most 2 are proved in parallel updating mode. Also, some conditions for the delayed networks converging towards a limit cycle with 2-period are investigated in parallel updating mode. All results established in this paper extend the previous results on the convergence of both the discrete Hopfield neural networks, and the discrete delayed Hopfield neural networks in parallel updating mode.     

Hopfield-型网络求解优化问题的一般演化规则

基于离散Hopfield-型网络和延迟离散Hopfield-型网络求解优化问题提出了两种一般 演化规则,演化序列的动态阈值是这些规则的重要特征,并获得了收敛性定理.推广了已有的 离散Hopfield-型网络和延迟离散Hopfield-型网络的收敛性结果,给出了能量函数局部极大值 点与延迟离散Hopfield-型网络的稳定态的关系的充分必要条件.鉴于延迟离散Hopfield-型网 络更有效地应用于优化计算问题,给出了一般分解策略.实验表明与离散Hopfield-型网络的 算法相比,文中提出的算法既有较高的收敛率又缩短了演化时间     

一类复杂系统的自适应控制

对于具有相似性的一类不确定复杂系统,应用高阶神经网络逼近各个子系统的互联项,设计了控制器,即提出了难以解决的互联项问题的高阶神经网络表示方法．该方法通过在线调节神经网络的权值来确保闭环系统的稳定性．由于复杂系统的结构相似性,降低了控制器设计过程中的计算量,使得工程上较易实现．仿真算例表明了所提出方法的有效性.     

基于量子神经网络的油田水淹层识别方法

针对油藏测井解释中的水淹层识别问题,提出一种量子神经网络模型。该模型用量子旋转门更新量子比特的相位,用受控旋转门实现网络的非线性映射功能。网络可调参数为量子旋转门的旋转角度和受控非门的控制参数。基于梯度下降法设计了学习算法。仿真结果表明,该模型的预测能力优于普通BP网络、模糊神经网络和过程神经网络等其他方法。     

基于神经网络的严反馈块非线性系统的鲁棒控制

针对非匹配不确定性的严反馈块非线性系统,基于神经网络提出一种鲁棒控制方法．利用Lyapunov稳定性定理推导出RBF神经网络的全调节律,用于处理系统中的非线性参数不确定性,提高了神经网络的在线逼近能力;采用神经网络和鲁棒控制方法,利用已知信息的同时,对控制系数矩阵未知时的设计问题进行处理,避免了控制器可能的奇异问题;引入非线性跟踪微分器,解决了Backstepping设计中的“计算膨胀”问题．运用Lyapunov稳定性定理证明了闭环系统的所有信号均最终一致有界．     

Stability of fully asynchronous discrete-time discrete-state dynamic networks

We consider networks of a large number of neurons (or units, processors, ...), whose dynamics are fully asynchronous with overlapping updating. We suppose that the neurons take a finite number of states (discrete states), and that the updating scheme is discrete in time. We make no hypotheses on the activation function of the neurons; the networks may have multiple cycles and basins. We derive conditions on the initialization of the networks, which ensures convergence to fixed points only. Application to a fully asynchronous Hopfield neural network allows us to validate our study.     

Cooperative updating in the Hopfield model.

We propose a new method for updating units in the Hopfield model. With this method two or more units change at the same time, so as to become the lowest energy state among all possible states. Since this updating algorithm is based on the detailed balance equation, convergence to the Boltzmann distribution is guaranteed. If our algorithm is applied to finding the minimum energy in constraint satisfaction and combinatorial optimization problems, then there is a faster convergence than those with the usual algorithm in the neural network. This is shown by experiments with the travelling salesman problem, the four-color problem, the N-queen problem, and the graph bi-partitioning problem. In constraint satisfaction problems, for which earlier neural networks are effective in some cases, our updating scheme works fine. Even though we still encounter the problem of ending up in local minima, our updating scheme has a great advantage compared with the usual updating scheme used in combinatorial optimization problems. Also, we discuss parallel computing using our updating algorithm.     

受饱和输入约束的非线性系统滑模自适应控制

利用神经网络和滑模控制,研究带有饱和输入的一类非线性系统。为了便于问题分析,引入饱和约束模型输出与控制输入的差值这个变量,分5种情况讨论,求得神经网络权值的在线调节律,得到保证闭环系统稳定的控制律。利用Lyapunov函数,证明了闭环系统的稳定性;仿真实验说明了算法的有效性。     

A Global Asymptotic Stability Result for a Class of Totally Asynchronous Discrete Nonlinear Systems

This paper proves a global stability result for a class of nonlinear discrete-time systems that are subject to regular desynchronization, also known as total asynchronism. The class of systems studied has its origins in a discrete-time neural net model. The techniques used are of interest in terms of the use of a Lyapunov function for the study of convergence of asynchronous nonlinear dynamical systems and also in terms of applications to neural networks. In the latter context, the main result of this paper strengthens a result of an earlier paper on neural networks, and shows that a class of discrete-time continuous-valued neural nets of the Hopfield type displays global convergence properties even when there exists total asynchronism in the updating of neuron states. Date received: May 2, 1995. Date revised: October 19, 1998.