基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

非线性系统参数自适应直接广义预测控制

针对广义预测控制 (Generalized predictive control, GPC) 计算量大的缺陷, 本文对参数未知非线性系统提出一种直接广义预测控制 (Direct generalized predictive control, DGPC) 方法. 该方法直接辨识广义预测控制器参数, 即基于广义误差估计值对控制器参数 θu 和广义误差估计值中的未知向量 θe 进行自适应辨识. 理论证明了该方法可使广义误差估值收敛到原点的一个小邻域内.     

一类未知非线性离散系统的直接自适应模糊预测控制

将自适应模糊逻辑系统引入预测控制,对一类未知非线性离散系统提出了直接自适应 模糊预测控制方法.首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直 接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中 的未知向量进行自适应调整.文中证明了此方法可使广义误差估计值收敛到原点的小邻域内.     

未知多变量非线性系统自适应模糊预测控制

对一类未知多变量非线性系统提出了直接自适应模糊预测控制方法,此方法首先对被控对象提出了线性时变子模型加非线性子模型的预测模型,然后直接用模糊逻辑系统组成的向量来设计预测控制器,并基于时变死区函数对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整．文中证明了此方法可使广义误差向量估计值收敛到原点的一个邻域内．     

多变量非线性系统RBF直接广义预测研究

为了避免Diophantine方程求解和矩阵求逆运算,提高广义预测控制算法的实时性,对一类参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制（GPC）算法。该算法将多变量非线性系统转换为多变量时变线性系统,然后利用径向基神经网络来逼近控制增量,对控制器参数向量,即网络权值中的未知向量基于跟踪误差进行自适应调整。理论证明,该方法可使跟踪误差收敛到原点的一个小邻域内。仿真结果验证了此算法的有效性。     

参数未知线性系统的直接自适应模糊广义预测控制

将自适应模糊逻辑系统引入广义预测控制，对参数未知线性系统提出一种直接自适应模糊广义预测控制方法。该方法直接利用模糊逻辑系统设计广义预测控制器，并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整。证明了该方法不仅能保证闭环系统输入输出有界，而且可使广义误差收敛到原点的一个小领域内。     

基于最小二乘支持向量机的非线性广义预测控制

通过中值定理将一类非线性系统近似为时变线性系统,然后将提出的在线最小二乘支持向量机回归(OLSSVMR)与广义预测控制相结合,提出了一种基于OLS-SVMR的自适应直接广义预测控制.利用OLS-SVMR直接设计预测控制器,并基于广义误差估计对控制器参数和广义误差估计中的未知向量进行自适应调整.理论证明了该方法可使广义误差估计值收敛到原点的一个小邻域内.仿真算例也验证了该方法的有效性.     

未知参数多变量线性系统自适应模糊广义预测控制

对未知参数多变量线性系统提出了自适应模糊广义预测控制方法.该方法直接用模糊逻辑系统组成的向量设计广义预测控制器,并基于广义误差向量估计值对控制器中的未知向量和广义误差估计值中的未知矩阵进行白适应调整.该方法不但能保证闭环系统所有信号有界,而且可使广义误差向量收敛到原点的一个邻域内.     

柔性关节微操作机器人自适应模糊预测控制

对一种柔性关节微操作机器人系统提出了多输入多输出直接自适应模糊广义预测控制方法,此方法先基于机器人理论模型设计出广义预测控制器,再构造直接自适应模糊控制器逼近广义预测控制器,并用机器人视觉误差信息对控制器参数和广义误差向量估计值中的未知向量进行自适应调整,以增强对建模误差的鲁棒性,并证明了所设计的控制器可使微操作机器人跟踪时变参考轨迹时的广义误差估计值收敛到原点的小邻域内,以达到控制要求,仿真结果验证了此方法的有效性.     

未知参数多变量线性系统自适应模糊广义预测控制

对未知参数多变量线性系统提出了自适应模糊广义预测控制方法.该方法直接用模糊逻辑系统组成的向量设计广义预测控制器,并基于广义误差向量估计值对控制器中的未知向量和广义误差估计值中的未知矩阵进行自适应调整.该方法不但能保证闭环系统所有信号有界,而且可使广义误差向量收敛到原点的一个邻域内.

     

基于最小二乘支持向量机的非线性广义预测控制

通过中值定理将一类非线性系统近似为时变线性系统,然后将提出的在线最小二乘支持向量机回归(OLS-SVMR)与广义预测控制相结合,提出了一种基于OLS-SVMR的自适应直接广义预测控制.利用OLS-SVMR直接设计预测控制器,并基于广义误差估计对控制器参数和广义误差估计中的未知向量进行自适应调整.理论证明了该方法可使广义误差估计值收敛到原点的一个小邻域内.仿真算例也验证了该方法的有效性.

     

稳定的非线性系统广义预测控制

针对广义预测控制(GPC)算法稳定性分析困难,对参数未知非线性系统提出一种稳定广义预测控制(DGPC)方法。该方法首先将非线性系统转换为时变线性系统,然后利用三次样条基函数逼近时变系统中的系数,通过带时变遗忘因子的递推最小二乘算法辨识系数获得对象模型。基于模型通过性能指标中的前馈增益设计来保证控制系统稳定,仿真结果验证了该方法的有效性。     

参数未知系统直接广义预测控制

传统的广义预测控制(GPC)算法需要在线递推求解Diophantine方程及矩阵求逆,因此计算量很大,不适合对实时性要求高的控制系统.文中对参数未知线性系统提出一种直接广义预测控制(DGPC)方法.该方法直接辨识广义预测控制器参数θu,即基于广义误差估计值对控制器参数和广义误差估计值中的未知向量θu进行自适应调整.理论证明了该方法可使广义误差收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.由于实时性提高,并且不需要被控对象模型,该方法更利于实际应用.     

基于特征模型的柔性结构直接自适应模糊预测控制

为了避免用模态截断方法设计控制器时所引起的控制和观测溢出问题,把柔性结构模型转化为用含有未知系数的二阶差分方程描述的特征模型,对此模型提出了当柔性结构实现位置保持时的直接自适应模糊预测控制方法.此方法直接利用模糊逻辑系统设计预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整.文中证明了所设计的控制器可使广义误差估计值收敛到原点的一个小邻域内.仿真结果验证了此方法的有效性.     

未建模误差补偿Elman网络直接广义预测控制

针对一类非线性系统,提出了Elman网络直接广义预测控制算法。先将非线性系统等价转换成线性系统,然后对未建模动态误差进行估计,最后利用Elman网络进行预测控制器设计,并根据跟踪误差对控制器参数中的未知向量进行自适应调整,理论证明了误差收敛到原点一个小邻域内。该方法不需要求解Diophantine方程和矩阵求逆,只需要辨识一个参数θ（k）,因此减少了在线计算量,提高了实时性。仿真结果验证了该方法的有效性。     

基于逼近误差调节的直接自适应模糊控制

对含未知参数的一类非线性系统给出一种新的直接自适应模糊控制方案．利用在线自适应调节估计逼近误差，用此估计值设计补偿器减小逼近误差对跟踪精度的影响．该方法不仅能够保证闭环系统的稳定性，而且可以使跟踪误差收敛到0或0的小邻域．     

基于线性参数神经网络的非线性系统稳定自适应控制

提出适用于多种网络类型的神经网络稳定自适应控制设计思想,在神经网络逼近误差界未知的条件下,对该误差界进行在线自适应估计,研究基于线性参数神经网络的仿射非线性系统稳定自适应控制。采和Ｌａｐｕｎｏｖ函数方法证明系统状态变量、网络权值矢量、网络逼近误差界的在线估计及输出跟踪误差的收敛性。仿真结果表明,该方案跟踪性能良好,稳态误差较小,系统输出能快速跟踪目标信号。     

未知控制方向的迟滞非线性系统预设自适应控制

针对一类含有迟滞特性的未知控制方向严反馈非线性系统,设计了基于误差变换的反步自适应控制器.首先提出动态迟滞算子来扩展输入空间建立神经网络迟滞模型.然后利用径向基函数(RBF)神经网络逼近未知函数,并引入Nussbaum型函数来解决系统未知控制方向问题.最后采用误差变换将误差限定在预设的范围内,并利用反步法设计自适应控制器.该控制方案不仅能够保证跟踪精度,还可以提高系统暂态和稳态性能.仿真结果表明了控制方案的可行性.     

基于非线性参数神经网络的非线性系统稳定自适应控制

针对不确定仿射非线性系统,提出一种基于非 线性参数神经网络的稳定自适应控制方案,在非线性参数神经网络对不确定非线性函数的逼 近误差的界未知的情形下,对网络逼近误差界进行在线自适应估计,并由Lyapunov理论证明 了整个闭环控制系统的稳定性．     

基于核方法的移动机器人远程控制时延预测与分析*

构建了基于Internet的移动机器人控制平台,针对该平台中网络时延的非线性特性,提出了利用线性核和RBF核方法对网络时延序列样本进行回归建模和预测。比较了核方法、BP神经网络和RBF神经网络算法预测误差,表明在移动机器人远程控制中,核方法对网络时延序列预测具有更好的函数逼近能力和较高的预测精度,从而可根据预测时延调节移动机器人控制指令和状态信息的网络传输,保证系统的可靠性,提高移动机器人的控制性能。