基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

基于RBF神经网络的一类不确定非线性系统自适应H∞控制

基于RBF神经网络提出了一种H∞自适应控制方法.控制器由等效控制器和H∞控制器两部分组成.用RBF神经网络逼近非线性函数,并把逼近误差引入到网络权值的自适应律中用以改善系统的动态性能.H∞控制器用于减弱外部干扰及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出的算例验证了该方法的有效性.     

一类函数完全未知的随机非线性系统自适应H∞跟踪控制

针对一类函数完全未知的严格反馈随机非线性系统,提出了一种基于backstepping技术的鲁棒H_∞自适应神经跟踪控制器设计的新方法.该方法可在随机非线性系统是依概率一致最终有界的情况下,保证随机非线性系统H_∞性能指标,且H_∞踪踪控制器容易获得.同时该方法去除了一些文献中神经网络逼近误差需要平方可积的假设.文中使用径向基函数(radial basis function, RBF)神经网络逼近打包的未知非线性函数.所设计的控制器能够保证闭环系统跟踪误差及其它所有信号都是依概率有界的,且对外界干扰具有鲁棒H∞抑制作用.最后,仿真结果验证了所提方法的有效性和正确性.     

不确定非线性系统的神经网络自适应H ∞跟踪控制

提出一种H∞与神经网络混合自适应控制系统设计的新方法．对于一类不确定非线性系统，首先运用线性微分包含(LDI)的方法，逼近模型中的非线性部分；然后在考虑外部扰动的情况下，设计忽略不确定项的H∞线性跟踪控制系统参考模型；最后将设计好的H∞线性跟踪控制器用于控制实际的非线性不确定系统，系统状态及其与参考模型的状态误差作为在线神经网络的输入，动态调节网络权值以消除整个系统的不确定项．仿真示例证实了该设计方法的有效性．     

基于神经网络近似的自适应优化控制

为了解决初始和终端确定的一类离散时间非线性系统有限时间优化控制,利用动态规划原理求解过程中遇到维数灾的问题,提出了基于神经网络的自适应动态规划近似优化控制.在分析动态规划求解遇到维数灾的基础上,进而给出了迭代ADP算法,并采用神经网络近似代价函数和控制律来实现迭代ADP算法,设计近似优化控制器.通过mat lab实验仿真结果表明,采用迭代ADP算法能够避免求解中遇到的维数灾,从而有效地实现了一类离散时间非线性系统的有限时间近似优化控制.     

基于自适应神经网络的一类不确定非线性系统的鲁棒H∞控制

针对一类不确定非线性多输入时变系统，提出了一种新的鲁棒H∞控制方案．通过引入2个自适应神经网络逼近器，提出了一个简化的Hamilton—Jaeobi—like不等式，并据此设计了非线性H∞控制器和匹配不确定项补偿控制器，消除了输入摄动项和估计器最优逼近误差的有界性假设．机器人系统的鲁棒跟踪控制仿真算例证实了所提出控制方案的有效性．     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

无人机侧向运动H_∞控制器设计及仿真

研究了鲁棒控制中H_∞状态反馈方法在无人机侧向控制律设计中的应用;建立了无人机侧向运动的小扰动方程,根据控制目标选取了合适的广义状态变量,建立了广义被控对象,应用matlab鲁棒控制工具箱中线性矩阵不等式(LMI)的求解方法设计了系统H_∞状态反馈控制器,并进行了数字仿真验证;以无人机侧向运动中滚转控制通道的H_∞鲁棒控制器设计为例,给出设计过程及仿真结果;与PID控制器的控制效果进行比较,说明控制器能够使系统有更好的动态和稳态性能,且比PID控制器对外界噪声干扰有较好的抑制作用,现已成功应用于某型无人机。     

基于观测器的一类非仿射非线性系统的自适应神经网络H∞跟踪控制

针对一类带有外部干扰、状态不可测的非仿射非线性系统,提出了基于观测器的自适应神经网络H∞跟踪控制结构.利用隐函数定理和泰勒公式及中值定理,将非仿射非线性系统转变为仿射型非线性系统.控制器由等效控制器和H∞控制器组成,H∞控制器用于减弱外部干扰及神经网络逼近误差对跟踪的影响.总体控制方案及基于李亚普诺荇夫稳定性理论的权值更新律保证了系统的稳定性及跟踪误差渐近收敛于零,并使干扰对系统的影响衰减到指定的性能指标.理论分析及仿真结果均证明了本文方法的有效性.     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

基于迭代神经动态规划的数据驱动非线性近似最优调节

利用数据驱动控制思想,建立一种设计离散时间非线性系统近似最优调节器的迭代神经动态规划方法.提出针对离散时间一般非线性系统的迭代自适应动态规划算法并且证明其收敛性与最优性.通过构建三种神经网络,给出全局二次启发式动态规划技术及其详细的实现过程,其中执行网络是在神经动态规划的框架下进行训练.这种新颖的结构可以近似代价函数及其导函数,同时在不依赖系统动态的情况下自适应地学习近似最优控制律.值得注意的是,这在降低对于控制矩阵或者其神经网络表示的要求方面,明显地改进了迭代自适应动态规划算法的现有结果,能够促进复杂非线性系统基于数据的优化与控制设计的发展.通过两个仿真实验,验证本文提出的数据驱动最优调节方法的有效性.     

一类带不确定输入动态非线性系统的鲁棒H∞控制

研究一类带不确定输入动态非线性系统的H∞控制问题.在输入动态存在的条件下, 利用反传设计方法构造了鲁棒状态反馈控制器,使得闭环系统在零初始状态下从干扰到输出的 L2增益任意小,同时在干扰输入恒为零时闭环系统是全局渐近稳定的.     

基于迟滞算子的非平滑三明治系统自适应控制

针对一类具有非平滑的迟滞三明治系统, 提出一种基于神经网络的自适应控制方法. 首先利用神经网络做出了前端动态模块的逆系统实现前端动态模块的近似补偿, 这样将迟滞三明治系统转化成一般的迟滞非线性系统. 然后提出一个迟滞算子将迟滞的多映射转化成一一映射, 基于这个迟滞算子设计了神经网络自适应控制器, 通过Lyapunov方法证明了系统的稳定性并推导出神经网络的权值自适应调整律和控制律. 最后通过仿真验证了该方案的有效性.     

时滞不确定飞行系统神经网络非脆弱H∞控制

针对具有参数摄动和状态时延的时滞不确定飞行系统,提出了一种神经网络非脆弱H_∞控制方案。该方案将鲁棒H_∞控制和神经网络控制结合起来,利用径向基神经网络的非线性逼近能力,对飞行系统的非线性不确定项进行逼近。由线性矩阵不等式（LMI）设计系统标称部分的鲁棒控制器,然后利用神经网络的输出来消除系统控制输入中的不确定部分。Lyapunov稳定性分析中,综合考虑了系统参数摄动、时延和神经网络逼近误差的影响,并证明了在所设计的飞行控制器作用下,闭环系统的稳定性。仿真实例验证了提出的飞行控制方案的可行性和有效性。     

对迟滞三明治系统基于Duhem算子的自适应控制

对具有迟滞非线性的三明治系统,设计了基于Duhem算子的神经网络自适应控制器.首先对前端动态子系统进行近似补偿;然后用Duhem算子描述所提出的迟滞状态,用神经网络逼近迟滞状态与迟滞输出的关系,实现对迟滞非线性的建模.基于该迟滞模型并采用伪控制技术设计神经网络自适应控制器,通过Lyapunov方法证明了系统的稳定性,并推导出神经网络的权值自适应调整律和控制律.最后通过仿真验证了该方案的有效性.     

不确定系统鲁棒容错控制

针对不确定线性系统,关于连续型增益故障模式,利用有界实引理和线性矩阵不等式LMI,推导了系统H_∞指标约束下鲁棒镇定及容错控制的充分必要条件,并给出了状态反馈H_∞鲁棒容错控制器的设计方法,从而系统在执行器失效情况下用H_∞指标约束鲁棒容错达到控制的目的.最后,将所提出的鲁棒容错控制方法应用于某一不确定线性系统,仿真结果表明设计的鲁棒控制器不仅能保证系统在执行器失效时闭环系统仍渐近稳定,并且能达到给定的H_∞性能指标,从而验证了所提出方法的可行性和有效性.     

一类输入饱和非仿射非线性系统的非线性动态逆控制

输入饱和是实际系统中经常遇到的问题,很多已有的控制方法要求被控系统具有仿射结构.本文针对一类具有输入饱和的非仿射纯反馈非线性系统提出了一种基于奇异值摄动理论的非线性动态逆控制方法.首先构建一个快变子系统,在慢时间尺度下将非仿射非线性系统转换为具有仿射结构的线性系统,从而应用已有的控制算法实现控制目的.为了消除输入饱和带来的影响,建立一个中间子系统对理想控制量与输入饱和限制下控制量的差进行估计和补偿.所提出的控制方法不依赖于被控系统固有的时标分离特性,并能证明闭环系统指数跟踪参考轨迹.该方法具有良好的扩展性,可以根据实际需求与多种控制算法相结合.与动态面控制器和传统近似动态逆控制器的对比仿真结果验证了本文控制方法的有效性.     

基于神经网络与多模型的非线性白适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法．该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成．线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能．切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能．同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析．最后,通过仿真实例验证了该方法的有效性．     

基于单网络ADP的一类未知非线性系统的近似最优控制

针对一类未知的连续非线性系统,提出一个基于单网络近似动态规划(ADP)的近似最优控制方案。该方案通过设计一个新型的递归神经网络(RNN)辨识器放松了系统模型需已知或部分已知的要求,并利用一个神经网络(NN)近似系统的性能指标函数消除了常规ADP方法中的控制网络。通过Lyapunov理论分析严格证明了闭环系统内所有信号一致最终有界,并且所获得的性能指标函数和控制输入分别收敛到最优性能指标函数和最优控制输入的小邻域内。仿真结果验证了所提出控制方案的有效性。     

具有H_∞性能的机械手神经自适应跟踪控制

针对非线性不确定机械手系统的轨迹跟踪控制问题,提出一种具有H∞性能的神经自适应控制算法;该算法为机械手系统分别设计了主控制器和监督控制器;主控制器由神经网络控制为基础,基于滑模控制原理得到神经网络权值的自适应律;基于李亚普诺夫稳定性理论和鲁棒控制设计的监督控制器,补偿自适应神经网络对系统不确定项学习的误差,同时使系统具有H∞性能;通过二自由度机械手模型进行仿真实验,仿真结果验证了方法的有效性。