基于神经网络MIMO非仿射系统自适应控制

针对一类多输入多输出非仿射非线性系统,基于神经网络设计了一种自适应控制方案。该系统隐含控制输入,利用隐函数定理和伪控制概念提出了控制运算法则,采用Lyapunov方法证明了系统的稳定性。该方案采用神经网络补偿系统中的非线性部分,设计了鲁棒项来增加系统的抗干扰能力。仿真结果充分证明了该方案的有效性和可行性。     

一种基于模糊神经网络的PID控制器

利用神经网络自学习自适应能力和快速计算能力,提出一种基于模糊神经网络的PID智能控制器．该系统将模糊技术、神经网络与PID控制结合起来,实现了PID控制的自适应和智能化．通过仿真实验表明,该控制方案与传统PID控制系统相比,无论是超调量还是稳定时间,效果都要好得多．     

基于二阶神经网络的自适应控制

提出了一种二阶神经网络的自适应控制方案,利用二阶神经网络对被控对象进行在线辨识和控制．仿真实验表明：这种控制系统效果优良,具有较强的辨识和控制能力,且控制器设计并不复杂．基于二阶神经网络的自适应控制@李莉@宋桂荣@刘建明...     

一类纯反馈系统Backstepping控制设计

针对一类非线性纯反馈系统的自适应神经网络控制问题,本文提出基于径向基函数神经网络结构特征的控制设计方案。在控制设计过程中,首先设计状态观测器,估计系统中未知状态变量,通过神经网络近似未知非线性函数,结合自适应Backsteeping方法及神经网络基函数向量的范数性质,设计了一种自适应神经网络输出反馈控制方案,最后通过Lyapunov稳定性理论对系统进行分析,从而证实在所提出方案的作用下闭环系统的所有信号有界,跟踪误差收敛到原点的一个足够的小领域。数值仿真验证了本文方法的有效性。该研究解决了这类系统的状态控制问题,具有一定的实际应用价值。     

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。     

具有未知死区的SISO非仿射非线性系统间接自适应模糊控制

为了解决含有未知死区输入特性的SISO非仿射非线性系统的跟踪控制问题,提出了基于模糊自适应方法的控制器设计方案,把未知死区分解为一个线性项和一个扰动类似项,当系统状态可测时,利用模糊逻辑系统设计间接自适应模糊控制器,并结合跟踪误差信息设计自适应律;系统状态不可测时,通过引入误差观测器估计的状态变量,设计了间接自适应模糊输出反馈控制器．理论论证过程说明两种控制器能使系统的跟踪误差最终收敛到零的某一邻域,且闭环系统所有信号均有界. 仿真实验结果表明利用所设计控制方案可以使系统完成跟踪控制任务．     

非严格反馈大系统的自适应神经网络分散控制

针对一类非严格反馈的非线性互联大系统,本文提出了一种基于神经网络的分散自适应状态反馈控制方案。在控制设计过程中,通过神经网络逼近系统中的未知非线性函数,结合自适应Backstepping方法和分散控制策略设计出一种自适应神经网络分散状态反馈控制器,并通过Lyapunov稳定性理论进行稳定性分析,证明了在该控制方案作用下,闭环系统的所有信号是半全局一致终极有界的,且输出信号保持收敛在给定参考信号的一个小邻域范围内。采用仿真算例验证本文方法的有效性。仿真结果表明,系统输出信号能良好地跟踪给定的参考信号;系统的所有闭环信号都是有界的,而且该方法借助向量的范数性质,有效解决了一类非线性非严格反馈的互联大系统的自适应神经网络控制问题。该研究对控制理论的发展,具有一定的实际应用价值。     

时滞反馈Lorenz系统的神经网络滑模自适应同步控制及在保密通信中的应用

为了研究不确定Lorenz混沌系统同步控制在保密通信中的应用,首先设计了时滞反馈Lorenz混沌系统,并通过Poincare映射和功率谱分析了其混沌动力学特性.在此基础上,提出了不确定时滞反馈Lorenz混沌系统的神经网络滑模自适应同步控制策略.应用径向基(RBF)神经网络逼近混沌系统的不确定项,基于该径向基神经网络的输出再利用滑模控制和自适应控制相结合的方法提出了单维同步控制器的设计.最后,将所设计的同步控制方法应用于保密通信.仿真结果表明,本文所提出的神经网络滑模自适应同步控制方法可以实现混沌系统同步并可应用于保密通信,且具有较强的抗干扰能力.     

基于超稳定的改进直接自适应模糊控制器

利用超稳定理论提出了一种改进的直接自适应模糊控制器,采用一种新的自适应律确保系统输出一致收敛于给定理想输出．该方案简化了控制器设计,不需要监督控制项,同时降低了对最小逼近误差的要求,从而使方案更容易实现．仿真结果表明,它对非线性和不确定的受控对象具有良好的控制特性．     

神经网络模糊控制在透镜抛光中的应用

构造了一种用于光学透镜磨抛加工控制的神经网络自适应模糊控制器，同时建立了用于动态估计透镜光圈数的磨抛机模型网络．控制器采用梯度下降学习算法，对网络权重和隶属函数参数进行自动调整，从而可以获得最优隶属函数．系统具有较好的自适应学习功能，仿真结果表明控制性能优于普通模糊控制．     

随机多输入多输出系统的自适应神经网络控制

针对一类具有严格反馈形式的随机非线性多输入多输出系统的自适应神经跟踪控制问题,本文利用径向基函数神经网络的万能逼近性,结合自适应Backstepping设计方法,提出了一类新的自适应神经网络状态反馈控制器,并对该系统提出的控制器含有较少的参数问题,通过Lyapunov稳定性理论进行了稳定性分析和证明,并应用仿真算例进行验证,仿真结果表明,闭环系统的所有误差变量概率意义下有界,并使系统的输出收敛到参考信号的一个小的邻域范围之内。该研究对随机非线性多输入多输出系统的跟踪控制有一定的指导意义。     

一类非线性系统的神经网络自适应算法研究

讨论了神经网络在非线性系统控制中的应用.针对一类典型的非线性系统,基于波波夫超稳定性理论,推导出了保证系统稳定性的神经网络学习算法,设计了神经网络模型参考自适应控制器,以改善非线性被控对象跟踪参考模型输出的跟踪效果,并以此为依据进行了MATLAB仿真.对电弧炉三相电极调节系统的仿真结果表明,这种神经网络自适应控制系统具...     

Study on Adaptive Control with Neural Network Compensation

A scheme of adaptive control based on a recurrent neural network with a neural network compensation is presented for a class of nonlinear systems with a nonlinear prefix. The recurrent neural network is used to identify the unknown nonlinear part and compensate the difference between the real output and the identified model output. The identified model of the controlled object consists of a linear model and the neural network. The generalized minimum variance control method is used to identify parameters, which can deal with the problem of adaptive control of systems with unknown nonlinear part, which can not be controlled by traditional methods.Simulation results show that this algorithm has higher precision, faster convergent speed.     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

一类基于高增益观测器的多输入多输出非线性时滞系统的自适应模糊动态面控制

针对一类多输入多输出且状态不可测非线性时滞系统,提出了一种自适应模糊backstepping输出反馈控制方案。因为模糊逻辑系统的逼近性,利用其对未知函数进行逼近,设计高增益非线性模糊观测器估计不可测状态。并结合自适应backstepping技术和动态面控制技术,提出了自适应模糊backstepping输出反馈控制策略。证明了系统中所有信号都一致有界,此外,选择适当的参数能够保证跟踪误差和观测误差收敛到很小的一个领域内。通过仿真验证了所提控制策略的有效性。     

基于RBF神经网络的汽车稳定性滑模控制

针对汽车稳定性控制存在的非线性和参数时变不确定性问题,采用基于径向基函数(RBF)神经网络的方法设计汽车稳定性滑模控制器,能够削弱常规滑模控制所引起的抖动现象,也能提高单纯的神经网络自适应控制的鲁棒性能。仿真结果表明该控制算法可有效地控制汽车按照驾驶员期望的方向行驶,且保证汽车侧向控制系统具有较强的适应性和鲁棒性。     

一类非线性系统的神经网络鲁棒自适应控制

针对一类单输入单输出仿射非线性系统，提出了一类神经网络鲁棒自适应控制。设计过程中，采用RBF神经网络实现对系统中的未知非线性函数逼近，并考虑到存在逼近误差和外部干扰，采用滑模控制实现了系统的鲁棒控制。最后通过MATLAB仿真，证明了该方法的有效性。     

神经网络自适应控制系统的特性、应用与发展

吸收了人工智能有关思想的智能控制，近年来控制理论界发挥着越来越重要的作用，而人工神经网络控制又成为其重要的分支。尤其是神经网络自适应控制，由于较好地结合了神经网络和自适应控制的优点，更是引起人们及智能控制界的极大兴趣。系统地阐述了神经网络自适应控制的研究进展，介绍了神经网络自适应控制的不同结构模型和特性，并讨论了目前尚存在的问题，及其应用、发展趋势等。