基于广义BP算法的模型参考自适应控制

改进了传统的神经网络BP算法,提出了基于广义BP算法的非线性不确定系统的神经网络模型参考自适应控制方案.并将其用于非线性不确定系统的控制,仿真实验表明了控制器具有良好的非线性控制性能.     

自适应控制方法研究与发展

本文详细概括与分析了自适应控制理论的研究与进展,对模糊自适应控制和神经网络自适应控制领域内存在的主要问题进行了分析,并对可能的研究方向进行了展望.     

基于多层神经网络的饱和非线性输入自适应控制

针对一类具有未知饱和模型的单输入单输出非线性系统的控制问题,根据滑模控制原理和多层神经网络的逼近能力,提出了一种直接自适应神经网络控制器的设计新方案。该方法将控制增益推广到未知函数,通过补偿饱和模型方法取消了饱和模型各参数已知的条件。鲁棒项的引入消除了建模误差和参数估计误差的影响。理论分析证明了闭环系统是半全局一致终结有界,跟踪误差收敛到零的邻域内。仿真结果进一步表明所提控制方法的有效性。     

基于RBF神经网络的不确定机械臂自适应反演控制研究

针对机械臂位置跟踪问题,基于RBF神经网络控制理论,提出了一种自适应反演控制方法．该方法利用反演控制技术解决了系统的非线性问题,通过神经网络对系统中不确定函数进行逼近,实现神经网络自适应反演控制,最后通过Lyapunov稳定性理论证明所得闭环系统的最终一致有界．仿真结果证明该算法的有效性．     

一类非线性时滞系统的自适应动态面控制

针对一类严格反馈非线性时滞系统,提出了一种自适应神经网络动态面控制方案。通过引入一阶滤波器,避免了传统反演设计中的＂计算膨胀＂问题。通过构造恰当的Lyapunov-Krasovskii函数,对未知时滞项进行了补偿。此外,基于Lyapunov稳定性理论,证明了闭环系统所有信号半全局一致最终有界。最后,仿真实例表明了所提控制方案的有效性。     

具有饱和非线性输入的一类混沌系统自适应神经网络控制

针对一类具有饱和非线性输入的混沌系统,基于RBF神经网络的逼近能力提出一种控制方案。该方法利用自适应控制和鲁棒控制,使系统可在模型函数和外扰未知下,设计出结构简单有效的控制器,有效消除了现实中由于饱和非线性输入的存在而引起的控制器抖动的不良控制效果。仿真结果表明了所提控制方法的可行性。     

基于DSC的自适应补偿神经网络控制

针对一类可转化为“标准块控制形”的MIMO非线性系统,基于动态面控制技术,提出一种鲁棒自适应神经网络控制算法。采用径向基函数神经网络逼近不确定性模型,通过引入一阶滤波器,消除后推设计中由于反复对虚拟控制的求导而导致的复杂性问题,同时补偿项的引入可避免反馈线性化方法中可能出现的控制器奇异性问题,无需控制增益矩阵正定、可逆的条件。利用李亚普诺夫方法,证明了闭环系统是半全局一致终结有界,适当选取设计常数,跟踪误差可收敛到原点的一个小邻域内。计算机仿真结果表明此法的有效性。     

非线性系统神经网络控制的现状与展望

对神经网络控制在非线性系统中的应用,特别对现阶段几种较重要的神经网络控制进行了评述, 并对神经网络控制的发展作了展望．     

一类严格反馈非线性系统的自适应神经网络控制

对一类具有摄动的严格反馈非线性系统,基于动态面控制技术,提出一种自适应神经网络的控制器的设计方案.该方法消除了严格反馈非线性系统后推设计中,由于反复求导而导致的复杂性问题.通过对下界的讨论,避免间接控制中的奇异性问题.利用李亚普诺夫方法,证明闭环系统是半全局一致终结有界,且通过适当选择参数,跟踪误差收敛可以达到任意小.仿真结果表明所提控制方法的有效性.     

不确定机器人的自适应H∞神经滑模控制

针对不确定机器人的轨迹跟踪控制,本文提出了一种自适应H∞神经滑模控制器。在设计系统标称控制律的同时,通过利用神经网络估计模型产生系统不确定性的补偿信号,并利用一个滑模控制项消除网络建模误差的影响,以改善标称控制律的控制性能,最后,基于H∞控制技术将外部干扰的影响抑制到期望水平,从而实现对不确定机器人系统的H∞跟踪控制。仿真实例证实了该控制方案的有效性。     

大时滞控制系统的控制策略分析

本文研究了两类用于大时滞系统控制的方法,即包括PID控制、Smith预估控制和自适应控制方法在内的经典控制方法和包括模糊控制、神经网络控制和模糊神经网络控制在内的智能控制方法,分析了各种控制方法的优点及存在的局限性,并探讨了该领域今后的发展     

利用Hopfield神经网络实现自适应滤波器

针对两种不同结构的Hopfield神经网络,本文提出分别适当选取该神经网络的连接权值来实现LMS自适应滤波和自适应格型滤波的方法。并分析了实现自适应滤波的HOP-field神经网络的稳定性及其滤波性能.     

一类相似组合大系统的自适应神经网络控制

针对一类具有未知死区模型和未知增益符号的不确定非线性相似组合大系统,利用简化死区模型,并引入Nussbaum函数,提出一种自适应神经网络滑模控制方法,取消了死区模型参数的上下界必须已知的条件以及控制增益符号已知的假设。通过利用积分型李亚普诺夫函数,证明了闭环系统半全局一致终结有界。     

鲁棒自适应飞行跟踪控制系统设计

针对具有外部扰动的一类非线性飞行控制系统提出了一种在线神经网络控制的方法,应用3个在线神经网络分别实时抵消系统中的非线性部分、与控制量耦合的非线性项以及外部扰动,使受控系统的输出可以完全跟踪给定输入参考信号。文中以一个实际的验证机非线性模型为仿真对象,验证了这种方法的有效性,由于在线神经网络的动态补偿特性,即使飞机在不同的高度和速度下,在模型参数发生改变时,控制过程并不需要改变增益表就可以完成全包络的飞行跟踪控制,相关的定理证明了整个神经自适应飞行闭环控制系统的稳定性,仿真示例表明了该设计方法的有效性。     

一类具有多时滞神经网络的渐近同步

采用一种不同于线性矩阵不等式的新的放缩方法对神经网络渐近自适应同步进行分析,以研究多时滞神经网络渐近自适应同步问题,给出了自适应渐近同步控制器,并通过举例验证该方法的有效性和可靠性.     

基于模糊神经网络的车辆发动机建模和控制

本章针对车辆发动机是一个高度非线性、不确定的复杂系统,其模型难以建立的特点研究了基于模糊神经网络的发动机辨识技术。同时基于辨识模型和神经网络设计了发动机单变量鲁棒自适应控制系统。     

任意转换下带有未知迟滞的随机非线性系统自适应跟踪控制方案

主要研究了任意转换下带有未知迟滞的随机非线性系统的自适应跟踪控制问题。采用变量分离方法对状态变量进行分解,使其在任意转换之下逼近于一个光滑函数。通过把径向基函数神经网络普遍近似性能与自适应反步法相结合,构造出一个在任意转换之下的自适应神经控制算法。所设计的控制器保证了所有闭路系统信号半全局一致有界,并且,跟踪误差最终收敛到一个原点小邻域内,提出的方案更好地保证了在任意转换之下系统的稳定性。     

带有死区模型的严格反馈非线性系统的自适应神经网络控制

基于后推设计方法,Nussbaum函数的性质及积分型李亚普诺夫函数,提出了一种自适应神经网络控制器的设计方案。通过引入示性函数,提出一种简化死区模型,取消了死区模型的倾斜度相等的条件。此外,该方法取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件。理论分析证明了闭环系统是半全局一致终结有界。     

用遗传神经网络混合算法求解可变加工时间Job-shop调度问题

有效地混合了遗传算法和基于约束满足的自适应神经网络算法,对于一类加工时间可变的调度问题进行了研究.遗传算法被用来进行迭代寻优.当前代经交叉和变异后生成的染色体对应非可行解,由自适应神经网络运算后得到可行解,对应的染色体作为新一代染色体.本算例的目标函数是基于任务的提前/拖期惩罚、附加惩罚以及加工时间的偏离量惩罚,目标是确定最优加工时间和最优加工顺序极小化目标函数,并与一般的遗传算法相比较,实验结果说明了遗传/自适应神经网络算法混合算法的有效性.     

BP神经网络PID在配料控制系统中的研究与仿真

本文论述了在恶劣环境下电子秤配料系统可采用的一种控制算法,BP神经网络PID控制器,设计出了控制器构成的神经元、激活函数与神经元权系数的算法.该控制器通过神经网络所具有的自组织、自学习、自适应的能力,将人工计算与传统PID控制相结合,互相补充,共同提高了控制质量,经Matlab仿真,效果良好.