非线性参数化系统自适应迭代学习控制

研究一类含有未知时变参数的非线性参数化系统的学习控制问题.利用参数分离技术和信号置换思想,通过置换系统方程,合并所有时变参数为一个未知时变参数,用迭代自适应方法估计该未知参数,设计了一种自适应迭代学习控制方法,使得跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造一个类Lyapunov函数,给出了跟踪误差收敛和所有闭环系统信号有界的一个充分条件.仿真结果验证了该方法的有效性.     

一类时延网络控制系统的最优非脆弱H∞控制

针对一类时延网络控制系统,研究了当存在有限能量外部扰动时,系统的最优状态反馈非脆弱H_∞控制律的设计问题。通过将时延看作系统的时变参数不确定性,应用H_∞鲁棒控制理论及线性矩阵不等式(LMI)技巧,给出了具有控制增益扰动的次优非脆弱H_∞控制律存在的充分条件,提出了最优非脆弱H_∞控制律的设计方法。数值仿真例子表明了所提方法的有效性。     

一类带有时变时滞的模糊双线性系统的稳定控制

该文研究了一类输入和状态都带有时变时滞的模糊双线性系统的稳定控制问题。基于并行分布补偿算法(PDC)和自由权值矩阵,得到了系统时滞相关的渐近稳定的充分条件,并把这些条件转换成线性矩阵不等式(LMI)的形式,模糊控制器可以由一组线性矩阵不等式的解得到。最后,通过仿真数例验证了所提方法的有效性。     

多变量自适应极点配置系统稳定的充要条件

对于多变量自适应极点配置系统给出了其稳定的充要条件，并在充分性的证明过程中构造性地提出了一种估计参数的修正策略，保证了修正参数所对应的广义Sylvester矩阵渐近一致非奇异，得到了无须能控性的稳定多变量自适应极点配置系统，解决了多变量自适应极点配置的奇异问题，所需的先验知识仅为能观性指数和不确定或干扰的上界。     

基于神经网络的鲁棒自适应滑模迭代学习控制

对一类不确定非线性系统，包括不确定性机器人，提出一种自适应鲁棒迭代学习控制方案，学习控制用于学习周期性的系统不确定性，自适应滑模控制用于抑制非周期性系统不确定性，并且利用RBF神经网络自适应学习系统不确定性的未知上界，对不确定性系统动态和有界输入拢动具有鲁棒性，通过Lyapunov直接方法，确保了对每次迭代闭环系统是一致有界的，并且沿着迭代次数的增加，跟踪误差渐近收敛于零，仿真结果表明了该方案的有效性。     

办公大楼的安全防范系统

安全防范系统提供音视频监控,出入口控制,移动对象监控电子巡查和应急通信等功能,已由开始的单一防盗发展为多系统多方位多层次的防盗。     

不确定关联时滞大系统的鲁棒自适应控制

针对具有时滞的不确定关联大系统,研究了自适应状态反馈控制器的设计问题.当时滞常数未知时,给出了对未知时滞常数及不确定参数的自适应控制方案.建立了可由线性矩阵不等式(LMI)表示的镇定条件.最后给出了仿真示例以说明该方法的有效性.     

非线性时滞系统自适应神经网络Backstepping控制

针对一类未知非线性时滞系统,提出了一种自适应神经网络控制设计方案,将Backstepping、占有方法以及自适应界化技术结合起来构造了一个鲁棒自适应神经网络跟踪控制器,采用神经网络逼近未知时滞函数,放松了对非线性时滞函数的要求。通过构建一个恰当的Lyapunov-Krasoviskii泛函证明了闭环系统所有信号半全局一致最终有界,调节设计参数可以实现任意输出跟踪精确度。实例仿真说明了该方案的可行性。     

非线性时滞系统自适应backstepping输出反馈控制

针对一类参数化非线性时滞系统,采用时滞滤波器,结合backstepping的设计方法,提出了一种自适应输出反馈控制器的设计方案．放松了对非线性时滞项的要求,实现了对给定目标轨线的全局渐近跟踪,并保证闭环系统所有信号一致有界．基于Lyapunov-Krasoviskii泛函方法证明了整个闭环系统的稳定性．实例仿真说明了该方案的可行性．     

一类二阶时变非线性系统的混合自适应重复学习控制

针对含有时变和时不变未知参数的二阶非线性系统，结合Backstepping方法．提出了一种新的自适应重复学习控制方法，可处理参数在一个未知紧集内周期性快时变的非线性系统．通过引入参数周期自适应律．设计出的自适应控制策略．使跟踪误差平方在一个周期上的积分范敷渐近收敛于零．通过构造Lyapunov函数．给出了闭环系统收敛的一个充分条件．