基于动态函数连接神经网络的自适应逆控制系统辨识研究

自适应逆控制将系统扰动消除和动态响应性能独立分开控制,其性能的优劣取决于系统对象、逆对象及逆控制器模型辨识精度的高低。文中提出用动态函数连接神经网络来实现自适应逆控制系统对象、逆对象的同时在线建模和逆控制器的离线建模,并将模型参数的辨识转化为空间参数寻优。针对混沌初始化对已收敛种群结构的破坏性,提出用变参数混沌粒子群优化算法对神经网络权值进行全局寻优,通过仿真实验可以看出基于动态函数连接神经网络的建模误差小,辨识精度高;与当前的参考模型自适应控制方法进行对比分析,所提方法能取得较好的扰动消除效果,并能使系统的跟踪响应性能得到提高,从而验证了方法的有效性、可行性。     

基于神经网络非线性系统辨识和控制的研究

本文提出了由静态的前馈网络和稳定的滤波器构成的非线性系统的辨识模型，在神经网络固有的逼近误差存在的情况下，从理论上讨论了神经网络应用于辨识控制过程中系统的稳定性问题，最后研究了在非线性系统的轨迹跟踪过程中增加滑动控制来偿神经网络的逼近误差，从而提高系统跟踪性能。     

典型非线性系统的自适应BP神经网络跟踪控制器设计

基于BP神经网络针对一类典型的非线性系统，设计成自适应跟踪控制方案。利用神经网络在线辨识，并将辨识结果加入到控制器的设计中，不但增强了控制器对于不确定非线性系统的鲁棒性，而且使跟踪误差渐进收敛于零。仿真结果证明了这种方法的可行性。     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

非线性系统模糊神经网络控制的改进策略

针对以模糊神经网络自适应方法为核心的不确定非线性系统控制问题, 以常规静态模糊神经网络控制结构为基础, 分别就控制器、辨识器及优化算法3个方面展开改进研究. 以一种改进结构的动态PID型模糊神经网络为控制器, 最小二乘支持向量机为辨识器构成控制系统. 利用带混沌搜索的量子粒子群算法离线优化结合在线误差反传微调的寻优策略优化控制器参数, 带混沌扰动的粒子群离线优化支持向量机的核参数, 并通过对系统稳定性的讨 论将改进的控制系统逐步完善. 对某热交换对象模型的数值仿真验证了该改进方法的可行性和有效性.     

基于对角递归神经网络系统辨识及应用

提出了一种基于遗传算法的DRNN神经网络辨识方法。该方法是针对动态BP算法训练神经网络时收敛速度慢、动态特性不够理想等不足，用遗传算法来优化神经网络辨识器的参数，以提高辨识系统的性能。仿真实验表明该辨识方法对于动态非线系统具有很好辨识精度。     

路径规划; 态势评估; 模糊逻辑; 贝叶斯网络

针对非线性动态系统辨识和控制的特点，对4层模糊神经网络进行了优化和改进，形成了动态模糊神经网络，提高了网络的稳定性和对动态系统的辨识能力，同时给出了基于Lyapunov函数稳定收敛定理的各权向量以及权矩阵学习速率的自适应调整算法．应用于非线性动态系统的辨识和控制仿真试验表明，改进后的动态模糊神经网络与模糊神经网络相比，可取得更好的辨识精度和跟踪控制效果。     

一类模型未知系统的辨识和混沌化控制

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性, 将得到的模糊神经网络辨识模型应用于逆系统方法中, 实现了一类模型未知非混沌系统的混沌化控制. 该方法不依赖于被控对象的数学模型, 就可以进行有效控制. 研究了模糊神经网络辨识误差对控制精度的影响, 证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差. 针对连续和离散两类系统的仿真研究证明了该方法的有效性.     

基于数据ADP算法的一类带有执行器饱和的未知离散时间系统最优跟踪控制

针对一类带有执行器饱和的未知动态离散时间非线性系统, 提出了一种新的最优跟踪控制方案. 该方案基于迭代自适应动态规划算法, 为了实现最优控制, 首先建立了未知系统动态的数据辨识器. 通过引入M网络, 获得了稳态控制的精确表达式. 为了消除执行器饱和的影响, 提出了一个非二次的性能指标函数. 然后提出了一种迭代自适应动态规划算法获得最优跟踪控制的解, 并给出了收敛性分析. 为了实现最优控制方案, 神经网络被用来构建数据辨识器、计算性能指标函数、近似最优控制策略和求解稳态控制. 仿真结果验证了本文所提出的最优跟踪控制方法的有效性.     

粒子群优化算法训练神经网络辨识混沌系统

提出利用粒子群优化算法训练神经网络的算法,进行混沌系统辨识,并与神经网络、遗传神经网络对同一混沌系统辨识的结果进行比较。实验表明,利用粒子群优化算法训练神经网络进行混沌系统辨识,在不明显增加执行时间的基础上,寻求最优解的质量有显著提高,并且原理简单,容易实现,可有效用于混沌系统的辨识。     

Nonlinear adaptive trajectory tracking using dynamic neuralnetworks

In this paper the adaptive nonlinear identification and trajectory tracking are discussed via dynamic neural networks. By means of a Lyapunov-like analysis we determine stability conditions for the identification error. Then we analyze the trajectory tracking error by a local optimal controller. An algebraic Riccati equation and a differential one are used for the identification and the tracking error analysis. As our main original contributions, we establish two theorems: the first one gives a bound for the identification error, and the second one establishes a bound for the tracking error. We illustrate the effectiveness of these results by two examples: the second-order relay system with multiple isolated equilibrium points and the chaotic system given by Duffing equation.     

Adaptive neural network dynamic surface control for a class of nonlinear systems with uncertain time delays

This paper presents a solution to tracking control problem for a class of nonlinear systems with unknown parameters and uncertain time-varying delays. A new adaptive neural network(NN) dynamic surface controller(DSC) is developed. Some assumptions on uncertain time delays, which were required to be satisfied in previous works, are removed by introducing a novel indirect neural network algorithm into dynamic surface control framework. Also, the designed controller is independent of the time delays. Moreover,the dynamic compensation terms are introduced to facilitate the controller design. It is shown that the closed-loop tracking error converges to a small neighborhood of zero. Finally, a chaotic circuit system is initially bench tested to show the effectiveness of the proposed method.     

基于RBF神经网络的多关节机器人固定时间滑模控制

针对具有典型非线性特性的多关节机器人轨迹跟踪控制问题,提出一种基于径向基函数(RBF)神经网络的固定时间滑模控制方法.首先,基于凯恩方法建立包括系统模型不确定性以及外部干扰在内的多关节机器人动力学模型;然后,根据机器人动力学模型设计一种固定时间收敛的滑模控制器, RBF神经网络用来逼近系统模型中的不确定性项,并利用Lyapunov理论证明该系统跟踪误差能在固定时间内收敛;最后,对特定型号的多关节机器人虚拟样机进行仿真分析,结果表明:与基于RBF神经网络的有限时间滑模控制器相比,所提出控制器具有良好的跟踪性能且能保证系统状态在固定时间内收敛.     

基于函数滑模控制器的机械手轨迹跟踪控制

提出一种基于函数滑模控制器(FSMC)的控制策略,用于不确定机械手的轨迹跟踪控制。首先,由动力学模型和滑模函数得到系统的不确定项;然后,利用RBF神经网络逼近系统不确定项,由于神经网络逼近存在误差,而且在初始阶段误差较大,设计函数滑模控制器和鲁棒补偿项对神经网络逼近误差进行补偿,以克服普通滑模控制器容易引起的抖振问题,同时提高系统的跟踪控制性能。基于李亚普诺夫理论证明了闭环系统的全局稳定性,仿真实验也验证了方法的有效性。     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

Robust Tracking Control For A Wheeled Mobile Manipulator With Dual Arms Using Hybrid Sliding‐Mode Neural Network

In this paper, a robust tracking controller is proposed for the trajectory tracking problem of a dual‐arm wheeled mobile manipulator subject to some modeling uncertainties and external disturbances. Based on backstepping techniques, the design procedure is divided into two levels. In the kinematic level, the auxiliary velocity commands for each subsystem are first presented. A sliding‐mode equivalent controller, composed of neural network control, robust scheme and proportional control, is constructed in the dynamic level to deal with the dynamic effect. To deal with inadequate modeling and parameter uncertainties, the neural network controller is used to mimic the sliding‐mode equivalent control law; the robust controller is designed to compensate for the approximation error and to incorporate the system dynamics into the sliding manifold. The proportional controller is added to improve the system's transient performance, which may be degraded by the neural network's random initialization. All the parameter adjustment rules for the proposed controller are derived from the Lyapunov stability theory and e‐modification such that uniform ultimate boundedness (UUB) can be assured. A comparative simulation study with different controllers is included to illustrate the effectiveness of the proposed method.     

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.     

基于神经网络的不确定移动机器人鲁棒自适应跟踪控制

针对含运动学未知参数以及动力学模型不确定的非完整轮式移动机器人轨迹跟踪问题,基于Radical Basis Function(径向基函数)神经网络,提出了一种鲁棒自适应控制器.首先,考虑移动机器人运动学参数未知的情况,提出了一种含自适应参数的运动学控制器,用以补偿参数不确定性导致的系统误差;其次,利用神经网络控制技术,对于机器人在移动中动力学模型不确定问题,提出了一种具有鲁棒性的动力学控制器,使得移动机器人可以在不知道具体动力学模型的情况下跟踪到目标轨迹;最后利用Lyapunov稳定性理论证明了整个系统的稳定性.通过数值仿真验证了所设计的控制器的可行性.     

基于RBF神经网络的作业型AUV自适应终端滑模控制方法及实验研究

研究了作业型AUV （自主水下机器人）的轨迹跟踪控制问题.实际作业中,水下机械手展开作业过程将引起AUV动力学性能变化,进而影响AUV轨迹跟踪控制;并且水流环境干扰亦将影响AUV轨迹跟踪控制.针对上述AUV轨迹跟踪控制问题,提出一种基于RBF （径向基函数）神经网络的AUV自适应终端滑模运动控制方法.该方法在李亚普诺夫稳定性理论框架下,采用RBF网络对机械手展开引起的AUV动力学性能变化和水流环境干扰进行在线逼近,并结合自适应终端滑模控制器对神经网络权值和AUV控制参数进行自适应在线调节.通过李亚普诺夫稳定性理论,证明AUV系统轨迹跟踪误差一致稳定有界.针对滑模控制项引起的控制量抖振问题,提出一种变滑模增益的饱和连续函数滑模抖振降低方法,以降低滑模控制量抖振.通过AUV实验样机的艏向和垂向的轨迹跟踪实验,验证了本文AUV系统控制方法和滑模降抖振方法的有效性.     

基于自适应动态规划的移动装弹机械臂轨迹控制

针对移动装弹机械臂系统非线性、强耦合、受多种不确定因素影响的问题,本文基于自适应动态规划方法,提出了仅包含评价网络结构的轨迹跟踪控制方法,有效减小了系统跟踪误差.首先,考虑到系统非线性特性、变量间强耦合作用及重力因素的影响,通过拉格朗日方程建立了移动装弹机械臂的动力学模型.其次,针对系统存在不确定性上界未知的问题,建立...