基于预估器的一类多智能体系统神经动态面输出一致控制

本文针对一类含未知扰动与非对称输入饱和的非线性多智能体系统,提出基于预估器的神经动态面输出一致控制策略.在设计预估器的基础上构造预估误差,驱动神经网络更新权值估计系统未知动态,并将预估器与神经网络应用于非线性扰动观测器来补偿广义扰动.本文所提出的控制策略采用神经网络权值范数学习方法,减少学习参数数目.对于非对称的输入饱和,设计辅助系统,其生成的辅助变量与反步法相结合补偿输入限制.结合图论知识和Lyapunov函数等技术,证明多智能体系统的输出一致跟踪误差以及闭环系统中的所有信号最终有界.最后通过一组四旋翼飞行器和数值仿真验证提出控制策略的有效性.     

带有输入饱和及输出受限非仿射系统固定时间跟踪控制

针对具有量化输入饱和及输出受限的非线性非仿射系统,提出固定时间自适应神经网络跟踪控制方法.引入中值定理解决系统具有非仿射结构的问题;基于反步法,使用Barrier Lyapunov函数约束系统输出,并利用RBF神经网络逼近未知函数;根据固定时间控制理论设计输入信号,该输入信号由滞后量化器量化,以降低控制信号的通信速率,并保证该系统在满足量化输入饱和及输出受限的条件下,系统可以在固定时间内跟踪上期望信号,且该系统收敛时间与初始状态无关.最后通过Matlab仿真软件验证所设计控制器的有效性.     

一类非线性系统的神经网络自适应区间观测器设计

本文研究了一类单输入单输出非线性系统的神经网络自适应区间观测器设计问题. 针对由状态和输入所描述的未知非线性函数的界不可测, 现有的区间观测器方法并未有效地处理系统含有参数不确定性的未知非线性函数. 首先, 本文构造两个径向基函数神经网络来逼近未知非线性部分, 进而分别估计系统状态的上下界; 然后, 选择合适的Lyapunov函数, 采用网络权值校正和网络误差选择机制确保所设计的误差动态系统有界和非负性, 并证明了神经网络自适应区间观测器的稳定性; 最后, 通过仿真实例验证了所提出的神经网络自适应区间观测器的有效性.     

切换拓扑下非线性多智能体系统自适应神经网络一致性

本文研究一类具有未知控制系数的非线性多智能体系统自适应神经网络分布式控制策略.首先,针对切换拓扑下具有未知控制系数的非线性多智能体系统一致性问题,提出一类自适应神经网络一致性控制算法.其中,采用神经网络函数逼近方法解决系统中的不确定性问题,并设计一项自适应光滑项处理有界扰动和神经网络函数逼近误差.随后,证明了切换拓扑下具有未知控制系数的非线性多智能体系统的一致性,并保证了闭环系统的有界性.此外,本文把相关的一致性算法扩展到了一般有向图含有一个有向生成树的情形.最后,通过仿真实例验证了本文所提算法的有效性.     

具有未建模动态和输出约束的耦合系统的分散自适应控制

针对一类具有输入、状态未建模动态和非线性输入的耦合系统,提出一种自适应神经网络控制方案.利用径向基函数神经网络逼近未知非线性连续函数;引入动态信号和正则化信号处理状态及输入未建模动态;通过引入非线性映射,将具有时变输出约束的严格反馈系统化为不含约束的严格反馈系统.最后,通过理论分析验证闭环系统中所有信号是半全局一致最终有界的,仿真结果进一步验证了所提出控制方案的有效性.     

具有输入饱和的不确定非线性系统自适应渐近跟踪控制

将一类具有输入饱和的严格反馈单输入单输出非线性系统作为研究对象,解决其自适应渐近跟踪控制问题.与已有结果不同,所考虑的虚拟控制参数可以是未知且增益函数的上界信息也是未知的,这给控制器的设计带来了挑战.通过结合光滑函数及有界估计方法,设计一种新颖的自适应渐近跟踪控制策略;其次,通过引入Nassbaum函数解决由输入饱和不确定参数以及未知虚拟控制参数带来的影响;此外,通过利用未知增益的下界信息巧妙地构造一个特殊的李雅普诺夫函数并结合不等式技巧,可以消除对控制增益函数上界信息的需要,并保证系统的全局稳定性和跟踪性能;最后,通过实例仿真及对比仿真表明所提出自适应渐近跟踪控制算法的有效性.     

受饱和输入约束的非线性系统滑模自适应控制

利用神经网络和滑模控制,研究带有饱和输入的一类非线性系统。为了便于问题分析,引入饱和约束模型输出与控制输入的差值这个变量,分5种情况讨论,求得神经网络权值的在线调节律,得到保证闭环系统稳定的控制律。利用Lyapunov函数,证明了闭环系统的稳定性;仿真实验说明了算法的有效性。     

一类不确定非线性系统的重复学习控制

针对一类在有限时间区间上重复作业的不确定非线性系统,本文提出一种重复学习控制方法,用于解决非参数不确定性问题.该方法采用死区修正学习律对期望控制输入与界函数进行估计,以避免参数的正向累加导致系统发散,并使该控制算法较少地依赖于系统信息,更方便于控制器的实现.基于Lyapunov方法所设计的控制器,保证了闭环系统所有信号的有界性,并使得跟踪误差收敛于死区界定的邻域.通过仿真算例及电机实验结果验证所提学习控制算法的有效性.     

基于RBF神经网络的改进多变量预测控制

针对一类多输入多输出非线性被控对象,提出一种基于单神经网络的预测控制算法,应用RBF神经网络对非线性系统进行辨识,并计算被控系统多步预测输出值.该方法通过对传统预测目标函数加以改进,给出一种带微分项的多步预测目标函数,通过迭代寻优实时给出优化控制量.该方法实时性好,简化了传统预测控制算法,加快了滚动寻优的速度,有效地抑制了系统惯性和输入时滞所带来的超调,减小了模型误差、干扰及不确定性对控制器的影响.仿真及应用结果表明了该方法的有效性.     

基于性能指标约束的一类输入死区非线性系统最优控制

针对一类考虑指定性能和带有输入死区约束的严格反馈非线性系统,本文提出了一种自适应模糊最优控制方法.采用模糊逻辑系统逼近系统的未知非线性函数及代价函数,利用backstepping方法及命令滤波技术,设计前馈控制器.针对仿射形式的误差系统,结合自适应动态规划技术,设计最优反馈控制器.采用指定性能控制方法,将系统跟踪误差约束在指定范围内.利用死区斜率信息解决具有死区输入的非线性系统的控制问题.基于Lyapunov稳定性理论,证明闭环系统内所有信号是一致最终有界的.最后仿真结果验证了本文方法的可行性和有效性.