基于一阶特征模型的自适应跟踪控制方法

基于特征建模理论, 针对一类可由一阶特征模型描述的被控对象, 设计一种新的自适应跟踪控制方法. 通过参数整合, 将系统特征压缩到一个时变参数中, 进一步减少需估计的参数, 更利于工程应用. 利用李雅普诺夫方法, 分析闭环系统的稳定性. 最后, 通过数学仿真验证了所提出方法的有效性.

     

无需相对速度信息的多Euler-Lagrange 系统自适应神经网络包含控制

对含有模型非线性不确定性和外部扰动的多Euler-Lagrange 系统的分布式协调包含控制问题进行研究. 考虑通讯拓扑为有向图, 所有领航者均为动态, 且各智能体间相对速度信息不可测情况. 首先, 选取相对速度作为辅助变量, 引入低通滤波器进行估计; 然后, 采用神经网络方法逼近并补偿非线性不确定性, 提出一种分布式自适应包含控制律, 并应用Lyapunov 稳定性理论证明闭环系统的包含误差一致最终有界; 最后, 通过仿真算例验证了所提出的控制律的有效性.

     

不确定非线性多智能体系统的分布式模糊自适应镇定控制

针对一类具有未知非线性和未知参数摄动的非线性多智能体系统, 提出一种分布式模糊自适应镇定控制方法. 基于邻接智能体信息和部分智能体的自身信息, 分别设计静态耦合和动态耦合的分布式模糊自适应控制律. 基于Lyapunov 稳定性理论, 证明了所提出的控制器能使得系统状态最终稳定于原点的邻域内. 仿真实例验证了所提出方法的有效性.

     

自治飞艇直接自适应模糊路径跟踪控制

针对具有模型不确定和未知外部干扰的自治飞艇, 提出了直接自适应模糊路径跟踪控制方法. 该方法由路径跟踪控制和自适应模糊控制两部分组成. 首先基于飞艇的平面运动模型设计路径跟踪控制律, 包括制导律计算、偏航角跟踪和速度控制3 部分; 然后构造直接自适应模糊控制器逼近路径跟踪控制律中的不确定项. 稳定性分析证明所设计的控制律能使飞艇跟踪给定的期望路径, 跟踪误差收敛到原点的小邻域内. 仿真结果验证了所提出方法的有效性.

     

一类非线性系统的奇异点克服控制

针对一类非线性系统, 研究存在奇异点时的跟踪控制问题. 在采用反馈线性化方法将对象转换成标准型后, 构造线性补偿器并结合期望轨迹的高阶导数构成伪控制量. 通过引入梯度动力学方法求解控制律, 以克服在控制过程中遇到的奇异点问题. 通过稳定性分析验证了闭环系统的稳定性和跟踪误差的收敛性. 仿真结果表明, 此类控制器具有良好的控制性能, 并且能有效克服奇异点问题.

     

不确定性R¨ossler 系统的自适应鲁棒跟踪控制

研究具有外部不确定性R¨ossler 混沌系统的鲁棒跟踪控制问题. 基于动态面控制原理设计自适应鲁棒控制器, 给出了系统参数的自适应更新律, 使得被控闭环系统的各误差变量一致有界. 系统输出曲线渐近跟踪任意期望轨道, 且跟踪误差能被控制在任意小的范围内, 而无须知道系统的参数及外部不确定性的界限. 基于稳定理论给出了具体的稳定性分析, 并通过数值仿真验证了该方法的有效性及鲁棒性.

     

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。     

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。     

一类非线性系统的广义模糊双曲正切模型自适应控制器设计

针对一类非线性系统的稳定控制器设计问题, 根据广义模糊双曲正切模型的万能逼近性质, 提出一种带有可调参数的广义模糊双曲正切模型的自适应控制器设计方法. 该设计方法的优点是使得自适应律的个数不依赖于广义模糊双曲正切模型的线性基函数的输出形式, 可以有效减少在线估计的参数数目, 并且能够保证被控系统的状态一致终极有界. 最后通过数值算例表明了所提出的设计方法的有效性.

     

一类扩展结构大系统的分散有限时间鲁棒关联镇定

研究一类扩展结构大系统分散有限时间鲁棒关联镇定问题. 扩展结构大系统是在原结构系统上增加新子系统而构成的, 在原系统分散控制律确定不变的情况下, 设计新加入子系统的鲁棒分散控制律, 使扩展后的系统仍能保持有限时间关联稳定. 利用LMI 方法推导此类系统基于状态反馈和输出反馈的分散有限时间关联镇定的充分条件, 并给出扩展子系统的相应控制器的设计方法. 最后通过仿真实验表明了所提出方法的可行性和有效性.

     

时变时滞非线性系统自适应神经网络控制

对于一类具有未知时变时滞和虚拟控制系数的不确定严格反馈非线性系统,基于后推设计提出一种自适应神经网络控制方案.选取适当的Lyapunov-Krasovskii泛函补偿未知时变时滞不确定项.通过构造连续的待逼近函数来解决利用神经网络对未知非线性函数进行逼近时出现的奇异问题.通过引入一个新的中间变量,保证了虚拟控制求导的正确性.仿真算例表明,所设计的控制器能保证闭环系统所有信号是半全局一致终结有界的,且跟踪误差收敛到零的一个邻域内.     

Adaptive neural tracking control for a class of stochastic nonlinear systems

This paper investigates the problem of adaptive neural control design for a class of single‐input single‐output strict‐feedback stochastic nonlinear systems whose output is an known linear function. The radial basis function neural networks are used to approximate the nonlinearities, and adaptive backstepping technique is employed to construct controllers. It is shown that the proposed controller ensures that all signals of the closed‐loop system remain bounded in probability, and the tracking error converges to an arbitrarily small neighborhood around the origin in the sense of mean quartic value. The salient property of the proposed scheme is that only one adaptive parameter is needed to be tuned online. So, the computational burden is considerably alleviated. Finally, two numerical examples are used to demonstrate the effectiveness of the proposed approach. Copyright © 2012 John Wiley & Sons, Ltd.     

Adaptive neural network tracking control for a class of switched stochastic pure-feedback nonlinear systems with backlash-like hysteresis

In this paper, an adaptive neural network tracking control approach is proposed for a class of switched stochastic pure-feedback nonlinear systems with backlash-like hysteresis. In the design procedure, an affine variable is constructed, which avoids the use of the mean value theorem, and the additional first-order low-pass filter is employed to deal with the problem of explosion of complexity. Then, a common Lyapunov function and a state feedback controller are explicitly obtained for all subsystems. It is proved that the proposed controller that guarantees all signals in the closed-loop system are semi-globally uniformly ultimately bounded and the tracking error remains an adjustable neighbourhood of the origin. Finally, simulation results show the effectiveness of the presented control design approach.     

Adaptive neural output feedback tracking control for a class of nonlinear systems

In this paper, an adaptive neural output feedback control scheme based on backstepping technique and dynamic surface control (DSC) approach is developed to solve the tracking control problem for a class of nonlinear systems with unmeasurable states. Firstly, a nonlinear state observer is designed to estimate the unmeasurable states. Secondly, in the controller design process, radial basis function neural networks (RBFNNs) are utilised to approximate the unknown nonlinear functions, and then a novel adaptive neural output feedback tracking control scheme is developed via backstepping technique and DSC approach. It is shown that the proposed controller ensures that all signals of the closed-loop system remain bounded and the tracking error converges to a small neighbourhood around the origin. Finally, two numerical examples and one realistic example are given to illustrate the effectiveness of the proposed design approach.     

一类基于模糊逻辑系统的非线性系统自适应跟踪控制

利用非线性不确定系统的动态数学模型和模糊逻辑系统，对不确定性的输出信息，设计出被控系统的自适应鲁棒跟踪控制器和模糊逻辑系统参数估计的自适应律．在较弱的假设条件下，证明了这种控制器能使被控系统的状态及参数估计误差一致终极有界．仿真实例表明，所提出的方法是有效的．     

非线性关联系统自适应神经网络输出反馈分散控制

针对一类带有完全未知关联项的非线性大系统,提出一种自适应神经网络输出反馈分散控制方法.采用神经网络逼近未知的关联项,因此对关联项常做的假设如匹配条件,被上界函数所界定等不再要求.在神经元输入中采用参考信号取代关联信号,从而成功地避免了对关联信号的微分.保证了闭环系统所有信号半全局一致最终有界,证明了跟踪误差收敛于一个包含原点的小残集.     

Adaptive neural network tracking control for a class of non-linear systems

This article extends the application of the adaptive neural network control to a new class of uncertain MIMO non-linear systems, which are composed of interconnected subsystems where each interconnected subsystem is in the non-affine pure-feedback form. Because both the variables which are used as virtual controllers and the actual controllers appear non-linearly in unknown functions of the MIMO systems, thus, this class of systems is difficult to control. The radial basis function neural networks are utilised to approximate the desired virtual controllers and the desired actual controllers which are obtained by using implicit function theorem. The salient property of the proposed approach is that the number of the adjustable parameters is less than the numerous alternative approaches existing in the literature. It is proven that, under appropriate assumptions, all the signals in the closed-loop system are uniformly bounded and the tracking errors converge to a small neighbourhood of the origin by appropriately choosing design parameters. The feasibility of the developed approach is verified by two simulation examples.