基于互质分解的同时镇定控制器参数化

本文基于稳定互质分解介绍了所有分散镇定控制器的参数化方法，给出一种同时镇定控制器的参数化方法，并得到同时镇定问题的解的参数化结果，即由一广义对象的控制器的分散和同时结构约束导出了参数需满足的一系列二次方程的约束条件。     

同阶线性系统具有动态阻尼比的同时镇定控制器设计

本文研究具有动态阻尼比要求的同线性系统的时镇定问题,利用稳定的复系数区间多项式,将其转化为一组性不等式的求解,并给出了求解该不等式组的线性规划方法。     

同时镇定问题研究

基于互质分解的状态空间描述，首先得到了可同阶强镇定的充要条件，并给出了一种同阶强定控制器的构造方法，本文证明了２对象同时强镇定可转化为同时强镇定－辅助对象与它的子对象，同阶同时强全２对象等价于同时强镇定一个辅助对象与它的一稳定子对象，同时镇定ｒ＋１个对象等价同时强镇定ｒ－１辅助对象它们的一公共子对象。     

时变线性系统同时强镇定控制器设计

在套代数框架下, 应用素分解的方法, 设计能同时强镇定两个时变线性系统的稳定控制器, 并给出了所有控制器的参数化. 应用该控制器参数化, 对某类同时鲁棒强镇定问题进行研究, 给出了两个时变线性系统可被同时强鲁棒镇定的充分条件. 针对所得的控制器设计结果给出了数值例子, 数值结果表明了该设计是有效和可行的.

     

满足H∞和H2性能的同时镇定控制器参数化

根据文献［１］中给出的满足Ｈ∞和Ｈ２范数性能指标的内稳定控制器参数化结果，分别讨论了满足上述两种范数性能指标的同时镇定控制器参数化问题。将［１］中的状态空间参数化结果转换到频率域，并从频率域结果出发，推出同时镇定控制器中参数所应满足的一系列二次方程约束条件；给出了满足一定系统性能指标的同时镇定控制器参数化的一种方法，并用一具体算例加以说明。     

同时镇定及鲁棒控制器存在条件

在保证闭环系统稳定的前提下,将被控对象看成控制器,控制器看成被控对象。从集合的角度研究了镇定区间对象族的控制器存在条件和设计方法,利用值集的概念和Youla参数化结果给出了镇定区间对象族控制器存在的充分条件．在强约束条件下,得到了控制器存在的充要条件．最后给出了鲁棒镇定控制器的设计方法．     

多输入多输出系统的同时镇定

本文研究了用一个单一控制器C(s)同时镇定k个给定对象G1(s),G2(s),…,Gk(s)的问题,建立了关于两个对象的生成对象及其M-阵的新概念,获得了一个具有叠代形式的充要条件.     

最小阶输出反馈镇定控制器设计*

本文首先基于逆ＬＱＧ方法得到了静态输出反馈可镇定的一种充要条件，并进一步给出了固定输出反馈可镇定的充要条件和控制器的设计方法，基于此给了一种最小阶镇定控制器的设计方法，这些条件的形式简单，判断其可镇定性和设计镇定控制器仅需解几个相应的矩阵不等式。     

使用多控制器结构的可靠镇定

采用因子化方法研究了具有强镇定被控对象的可靠镇定问题.证明了几种可靠镇定问题定义之间的等价关系,并表征了可靠控制器的结构.给出了对于任意给定的控制器,存在另一个控制器使其共同解决可靠镇定问题的充要条件,该条件提供了一种选择可靠控制器的方法.     

一类稳定最小相位对象同时镇定H∞性能设计

基于奈氏（Ｎｙｑｕｉｓｔ）稳定性判据和同时镇定控制器参数化结果,对一类ＳＩＳＯ稳定最小相位被控对象同时镇定∞－范数性能设计问题进行了讨论。文中提出了同时镇定问题的性能指标,引进了奈氏曲线意义下模型的嵌套结构的概念,给出耻述一类对象同时镇定性能设计的设计方法和步骤。具体算例说明该方法实用有效。     

基于神经网络的多模态控制器设计

基于神经网络所具有的定性推理和定量数值并行计算能力,以及学习记忆能力,集成非线性 多个特征模型和控制器,实现了控制系统的多模智能控制,该方法充分结构的定性知识和定量数学描述信息,实现了参数大范围变化时变系统的良好控制,最后用该方法对某型激光制导炸弹设计了一多模态控制器,仿真结果表明了该方法的优良性能。     

用递阶神经网络进行多过失误差检测的方法

提出一种采用递阶函数型连接神经网络进行多过失误差检测的方法,并用该方法对一个三组分精馏过程进行研究。仿真结果表明,该方法能有效地提高对多过失误差共存时的检测能力。     

基于线性化反馈的径向神经滑模控制器设计

针对非线性系统,采用径向神经网络逼近及自适应控制方法,利用线性化反馈技术,设计一种自适应神经滑模控制器。滑模变结构控制具有独特的鲁棒性能以及对匹配不确定性和外干扰的完全自适应等特点,但容易出现系统抖振问题,将神经网络应用于滑模变结构控制系统的设计中,系统抖振得到抑制。仿真结果也表明将神经网络与滑模控制相结合的方法是行之有效的。     

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.     

带有时变不确定性的线性系统族的同时镇定

本文考虑了具有时变不确定性的线性系统族的状态反馈同时二次镇定问题，这个问题能更全面地刻划考虑系统的不确定性，并将其转注多个ｙａｐｕｎｏｖ方程的同一解的问题，最后给出一个数值算例。     

基于BP神经网络自适应PID的负载控制系统

针对常规PID控制器无法满足时变负载测试系统的快速性和精度要求,设计基于改进BP神经网络的自适应PID控制器;利用西门子S7-200 PLC实现PID算法和神经网络算法,成功实现测试系统对工具进行空载、轻载、重载、瞬间加载等测试;并在BOSCH的圆锯变负载测试系统中得到应用。     

一种基于神经网络的可调整模糊系统模型

对基于人工神经网络的模糊系统进行研究,建立了一种可调整的模糊系统模型,并且在智能汽车控制器中得到了运用。通过神经网络对输入的经验值进行学习、调整来获得模糊系统控制的新参数。经计算机仿真,并与传统模糊控制模型相比较,小车绕开障碍的性能得到了明显的改善,是一种比较理想的模糊系统模型。     

基于神经网络的两步预测自适应控制器及其应用

设计了基于神经元网络的两步预测自适应控制器.这种控制方法在线运算量较少,并且能很好地控制复杂的非线性系统.仿真结果验证了这种方法的有效性.     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。     

Exponential Stabilization of Stochastic Memristive Recurrent Neural Networks Under Periodically Intermittent State Feedback Control

In this paper, the exponential stabilization problem is investigated for a class of memristive time‐varying delayed neural networks with stochastic disturbance via periodically intermittent state feedback control. First, a periodically intermittent state feedback control rule is designed for the exponential stabilization of stochastic memristive time‐varying delayed neural networks. Then, by adopting appropriate Lyapunov‐Krasovskii functionals in light of the Lyapunov stability theory, some novel stabilization criteria are obtained to guarantee exponential stabilization of stochastic memristive time‐varying delayed neural networks via periodically intermittent state feedback control. Compared with existing results on stabilization of stochastic memristive time‐varying delayed neural networks, the obtained stabilization criteria in this paper are not difficult to verify. Finally, an illustrative example is given to illustrate the validity of the obtained results.