分散自校正控制算法及其全局收敛性分析

本文基于分散控制和自校正控制的思想，提出一种大系统分散自校正控制算法，在研究某个子系统时，把其它子系统的影响等价为可测干扰，对各子系统采用本文提出的多变量自校正控制算法，从而实现大系统的整体控制，仿真结果表明对大系统采用分散自校正控制是行之有效的。算法的全局收敛性和参数估计强相容性也得到了证明。     

无刷直流电机神经网络自校正控制研究

针对无刷直流电机的非线性、强耦合、变参数等特点,利用多层神经网络对非线性函数的任意精度拟合性,提出了基于BP神经网络的无刷直流电机神经网络自校正控制。神经网络自校正控制不需要被控对象的准确数学模型,并可以通过在线学习来适应系统工作环境和系统本身参数的变化,给出了控制系统软硬件的具体实现方案。仿真和实验结果表明,神经网络自校正控制的速度跟随性、动态响应过程较之PI控制更好,具有很好的控制效果。     

一种基于小波网络的自校正控制方法

依据小波的非线性逼近能力和神经网络的自学习特民生,提出了一种基于小波神经网络模型的自校正控制算法,文中系统由两个小波网络组成 ,分别实现未知对象的建模,仿真结果表明所提控制方法可行,效果较好。     

非线怀系统鲁棒自校正控制间接算法

提出一种非线性系统鲁棒自校正控制间接算法，借助于神经网的作用，有效地辨识系统的建模误差，其辨识结果在控制算法中加以补偿，于是，使基于低阶线性模型的自校正控制算法有效地应用于复杂的非线性系统，文中给出了算法的鲁棒性分析和仿真结果。     

油田加热炉燃烧过程的神经网络模型辨识与自校正控制

加热炉在油田集输系统中有着广泛的应用。因运行时间长，其经济燃烧指标的高低直接影响着油田的生产成本。为实现加热炉出口参数的最佳调节及其经济燃烧，针对加热炉多变量、非线性、大滞后等特点，采用神经网络模型辨识的方法，建立了以加热炉为被控对象的神经网络正、逆模型，并且构成了神经网络内模自校正控制仿真系统。仿真研究表明，只要恰当地选择神经网络正、逆模型的结构和辨识数据的长度等参数，实现加热炉神经网络内模自校正控制的结果是令人满意的。     

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知,不确定,时变单输入单输出离散非线性系统,利用三层BP网络,采用快速BP算法构成学习和自校正控制的方案,针对同一被控对象,设计了PID控制器,仿真结果表明本文所提出的神经网络自校正控制的优越之处。     

基于BP神经网络的矿井提升机自校正容错PID控制

针对矿井提升机系统故障时动态性能难以用传统的解析方法获得的问题,提出了一种基于BP神经网络的矿井提升机自校正容错PID控制方法。该方法通过BP神经网络在线学习跟踪提升机系统的动态特性来预测系统输出值,并应用自适应控制中的自校正PID构建容错控制器,实现提升机系统故障下的稳定容错控制。仿真结果表明,该方法在提升机系统故障情况下能迅速跟踪系统故障状态,在线调整PID参数,快速恢复系统性能。     

基于虚拟仪器的调试仪自校正方法研究

论文分析了调试仪系统自校正的必要性和校正原理,给出分别基于广义最小二乘和神经网络的校正理论和实现方法。利用LabVIEW和MATLAB相关工具设计校正系统,该调试仪系统经实验验证,具有高精度、适应性强等优点。     

基于阻尼最小二乘法的神经网络预测偏差补偿自校正控制器

本文提出一种神经网络预测偏差补偿自校正控 制器,用线性模型的预测控制去控制非线性系统,其预测偏差用神经网络进行补偿．线性模 型的辨识和神经网络的学习均采用阻尼最小二乘法．仿真结果表明,用这种控制器能有效地 控制非线性系统,并具有超调小,鲁棒性好的特点．     

基于专家知识的分层启发式自校正动态矩阵控制

本文提出一种基于专家知识的分层启发式自校正动态矩阵控制算法,其上层基于实时输出偏差和内模误差确定校正的策略,下层则根据模型失配的情况,采用带有模型辨识自校正或启发式自校正的动态矩阵控制,这种算法集人的调查经验和传统的辨识校正法于一体,改善了闭环系统在模型失配情况下的动态响应。     

Decentralized adaptive recurrent neural control structure

This paper presents a novel decentralized variable structure neural control approach for large-scale uncertain systems, which is developed using recurrent high-order neural networks (RHONN). It is assumed that each subsystem belongs to a class of block-controllable nonlinear systems whose vector fields includes interconnection terms, which are bounded by nonlinear functions. A decentralized RHONN structure and the respective learning law are proposed in order to approximate online the dynamical behavior of each nonlinear subsystem. The control law, which is able to regulate and to track the desired reference signals, is designed using the well-known variable structure theory. The stability of the whole system is analyzed via the Lyapunov methodology. The applicability of the proposed decentralized identification and control algorithm is illustrated via simulations as applied to an interconnected double inverted pendulum.     

基于分散神经网络的多指灵巧手位置控制

针对多指灵巧手钢缆传动系统的非线性，提出一种基于分散神经网络的位置控制方法．通过 对复杂的钢缆传动系统施加不同的输入可以得到特定的相对简单的输入输出数据，利用这种 特定的输入输出数据学习传动系统的非线性关系得到多个分散的神经网络，再根据传动系统 的结构特性用分散的神经网络求取钢缆传动系统的逆模型，用于直接逆控制，从而达到补偿 非线性误差的目的．同时应用在线神经网络的适时补偿使系统长时间保持良好的运行状态． 实验证明这种方法可大大提高位置跟踪精度，取得比较满意的结果．     

Control of an Industrial PA10-7CE Robot Arm Based on Decentralized Neural Backstepping Approach

This paper presents a discrete-time decentralized control strategy for trajectory tracking of a Mitsubishi PA10-7CE robot arm. A high order neural network is used to approximate a decentralized control law designed by the backstepping technique as applied to a block strict feedback form. The weights for each neural network are adapted online by extended Kalman filter training algorithm. The motion of each joint is controlled independently using only local angular position and velocity measurements. The stability analysis for closed-loop system via Lyapunov theory is included. Finally, the simulations results show the feasibility of the proposed scheme.     

Real‐Time Results for High Order Neural Identification and Block Control Transformation Form Using High Order Sliding Modes

In this paper, real‐time results for a novel continuous‐time adaptive tracking controller algorithm for nonlinear multiple input multiple output systems are presented. The control algorithm includes the combination of a recurrent high order neural network with block control transformation using a high order sliding modes technique as control law. A neural network is used to identify the dynamic plant behavior where a filtered error algorithm is used to train the neural identifier. A decentralized high order sliding mode, named the twisting algorithm, is used to design chattering‐reduced independent controllers to solve the trajectory tracking problem for a robot arm with three degrees of freedom. Stability analyses are given via a Lyapunov approach.     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

RBFN-based decentralized adaptive control of a class of large-scale non-affine nonlinear systems

For a class of large-scale decentralized nonlinear systems with strong interconnections, a radial basis function neural network (RBFN) adaptive control scheme is proposed. The system is composed of a class of non-affine nonlinear subsystems, which are implicit function and smooth with respect to control input. Based on implicit function theorem, inverse function theorem and the design idea of pseudo-control, a novel control algorithm is proposed. Two neural networks are used to approximate unknown nonlinearities in the subsystem and unknown interconnection function, respectively. The stability is proved rigidly. The result of simulation validates the effectiveness of the proposed scheme.     

基于自适应扰动观测器的自主船舶协同路径跟踪控制

为实现未知环境扰动下不确定欠驱动自主船舶的协同路径跟踪控制, 本文提出了一种基于自适应扰动观 测器的鲁棒控制算法. 该算法采用径向基函数神经网络(RBFNNs)逼近模型参数不确定, 并利用最小学习参数化 (MLP)技术对神经网络的权重及逼近误差进行压缩, 所设计观测器不需要环境扰动上界的精确信息. 进一步, 基于 代数图论对船间通信进行建模, 设计了一种分散式协同控制律, 有效地降低了通信负载. 凭借Lyapunov稳定性理论 证明了闭环系统内信号的有界性, 且能通过对设计参数的调节使跟踪误差的收敛界为任意小. 最后采用数值仿真 试验验证了所提出算法的有效性和优越性.     

级联RTAC系统动态神经网络辨识与分散镇定控制

针对含不确定关联项的级联RTAC系统的镇定控制问题, 提出了一种基于动态神经网络辨识的分散控制方 案. 应用拉格朗日方程建立起了考虑不确定非线性作用力的级联RTAC系统数学模型, 采用动态神经网络实现级 联RTAC系统中不确定关联项的在线辨识, 通过构造含神经网络权值矩阵迹的Lyapunov函数, 证明了辨识误差的一 致有界性. 通过动态神经网络辨识不确定关联项、补偿系统建模误差, 建立级联RTAC系统分层滑模控制算法, 以实 现级联RTAC系统的高精度分散镇定控制. 数值仿真验证了动态神经网络的引入对级联RTAC系统分散镇定控制系 统瞬态幅值抑制、稳态精度提升的效果.     

Adjoint EKF learning in recurrent neural networks for nonlinear active noise control

In this paper, active noise control using recurrent neural networks is addressed. A new learning algorithm for recurrent neural networks based on Adjoint Extended Kalman Filter is developed for active noise control. The overall control structure for active noise control is constructed using two recurrent neural networks: the first neural network is used to model secondary path of active noise control while the second one is employed to generate control signal. Real-time experiment of the proposed algorithm using digital signal processor is carried-out to show the effectiveness of the method.