共查询到20条相似文献,搜索用时 15 毫秒
1.
基于自适应神经网络的不确定非线性系统的模糊跟踪控制 总被引:6,自引:1,他引:6
提出了一种基于模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,首先利用T_S模糊模型对系统的已知特性进行近似建模,对基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.并在此基础上,进一步采用RBF神经网络完全自适应控制,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,从而有效地消除系统的未知不确定性和模糊建模误差的影响,保证了非线性闭环系统的稳定性和系统的H∞跟踪性能,而不要求系统的不确定项和模糊建模误差满足任何匹配条件或约束.最后,将所提出的方法应用到一非线性混沌系统,仿真结果表明了所提出的方案不仅能够有效地稳定该混沌系统,而且能使系统输出跟踪期望输出. 相似文献
2.
基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制 总被引:2,自引:2,他引:2
基于自组织模糊CMAC(SOFCMAC)神经网络,提出了一种非线性模型参考神经网络
增广逆系统鲁棒自适应跟踪控制方法.该方法的特点是通过S0FCMAC神经网络在线修正由
于建模误差、不确定因素等引起的非线性系统逆误差,使得系统输出准确跟踪参考模型输出.
SOFCMAC的权值调整规律由Lyapunov稳定性理论导出.文中证明了非线性闭环系统的稳定
性.仿真例子表明了本文方法的有效性. 相似文献
3.
不确定非线性系统的模糊鲁棒跟踪控制 总被引:7,自引:0,他引:7
提出了一种基于T-S模糊型的鲁捧自适应跟踪控制方法.整个控制方案在结合所有
的局部线性状态反馈控制器的基础上,引入了基于自适应神经网络的鲁棒控制器.所提出的
模糊自适应鲁棒控制器设计方法不需要求取李亚普诺夫方程的公共解,不要求系统的不确定
性项满足任何匹配条件或约束条件所提出的带有补偿项的完全自适应RBF神经网络,通过
在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,可以
有效地对消系统的未知不确定性的影响.同时通过自适应补偿项来在线估计神经网络的近似
误差边界,弥补了神经网络的不足.所提出的方案保证了闭环系统的稳定性,有效地提高了
系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性. 相似文献
4.
5.
6.
7.
基于自组织模糊CMAC神经网络的不确定系统的H∞鲁棒自适应控制 总被引:2,自引:0,他引:2
针对一类不确定系统,提出一种基于自组织模糊小脑模型(SOFCMAC)神经网络的H∞鲁棒自适应控制方法,通过设计标称系统的H∞控制器,并采用SOFCMAC神经网络在线对消系统的建模不确定性产生的误差,可保证不确定闭环稳定并具有H∞性能,证明了SOFCMAC神经网络H∞鲁棒自适应控制系统的稳定性,仿真算例表明了该方法的有效性。 相似文献
8.
基于自适应RBF 网络补偿的智能车辆循迹控制 总被引:1,自引:0,他引:1
针对智能车辆这一复杂非线性时变系统的循迹控制问题,提出一种基于Lyapunov函数方法的RBF神经网络自适应补偿控制策略.首先建立了车辆循迹控制的动力学名义模型;然后利用RBF神经网络对车辆循迹控制名义模型的不精确部分进行自适应补偿;最后应用Lyapunov稳定性理论推导出RBF网络权值的训练规则并证明了控制系统的稳定性.仿真结果表明,该方法提高了循迹控制的精度,具有较高的可行性和实用性. 相似文献
9.
针对一类控制增益函数及符号均未知的不确定非线性系统,基于反推滑模设计方法,提出一种鲁棒自适应神经网络控制方案.结合Nussbaum增益设计技术和神经网络逼近能力,取消了控制增益函数及符号已知的条件,应用积分型Lyapunov函数避免了控制器奇异性问题,并通过引入神经网络逼近误差和不确定干扰上界的自适应补偿项消除了建模误差和不确定干扰的影响.理论分析证明了闭环系统所有信号半全局一致终结有界,仿真结果验证了该方法的有效性. 相似文献
10.
研究机器人跟踪轨迹控制问题,针对模型未知的机器人系统,为提高跟踪精度和控制性能,提出了一种基于T-S型模糊RBF神经网络的H∞轨迹跟踪控制方法,用模糊神经网络为模型未知的机器人系统建模,克服了系统鲁棒性差,对机动目标跟踪性能差等缺点。然后设计自适应控制器,将H∞控制理论与模糊神经网络有机地结合起来,借助鲁棒补偿项将建模误差及外部干扰衰减到期望的程度以下,而控制器与改进Elman神经网络的结合,便于处理建模有界干扰以及非结构化的未建模的动力学,并进行仿真。仿真结果表明了所提出的控制算法的可行性。 相似文献
11.
基于Backstepping的倒立摆鲁棒跟踪控制 总被引:1,自引:0,他引:1
针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好. 相似文献
12.
高速公路RBF神经网络限速控制 总被引:1,自引:1,他引:0
针对高速公路限速控制是一个非线性时变系统、难以用数学模型准确建模这一特点,提出了RBF神经网络控制方法。阐述了RBF神经网络的结构和训练方法,根据高速公路主线上车辆数目以及路面状况、气象条件等信息,建立交通流速度控制RBF神经网络模型,并进行了仿真研究。该网络学习速度快、自适应强,泛化能力好,对交通流限速控制的在线建模具有重要意义。 相似文献
13.
基于DSC后推法的非线性系统的鲁棒自适应NN控制 总被引:1,自引:0,他引:1
针对一类具有不确定系统函数和方向未知的不确定增益函数的非线性系统, 提出了一种鲁棒自适应神经网络控制算法. 本算法采用RBF神经网络(Radial based function neural network, RBF NN)逼近模型不确定性, 外界干扰和建模误差采用非线性阻尼项进行补偿, 将动态面控制(Dynamic surface control, DSC)与后推方法结合, 消除了反推法的计算膨胀问题, 降低了控制器的复杂性; 尤其是采用Nussbaum函数处理系统中方向未知的不确定虚拟控制增益函数, 不仅可以避免可能存在的控制器奇异值问题, 而且还能使得整个系统的在线学习参数显著减少, 与DSC方法优点结合, 使得控制算法的计算量大为减少, 便于计算机实现. 稳定性分析证明了所得闭环系统是半全局一致最终有界(Semi-global uniformly ultimately bounded, SGUUB)的, 并且跟踪误差可以收敛到原点的一个较小邻域. 最后, 计算机仿真结果表明了本文所提出控制器的有效性. 相似文献
14.
针对非线性机械臂系统中难以权衡控制能量与控制误差比重的最优控制问题,本文提出一种基于自适应径向基函数(RBF)神经网络二阶段叠加优化的双二次泛函最优求解模型,实现在非线性机械臂控制系统中用不大的控制能量来保持较小的控制误差的综合最优控制.在本文所提模型中,首先设计一种线性误差函数,作用于非线性控制方程,并采用自适应RBF网络逼近非线性控制方程中存在的不确定项,构成闭环反馈系统,实现对非线性系统的最优控制;其次,将待求参数复合成双二次泛函的解域,并设计一种新型的类递归神经网络求解该带约束条件的双二次型模型,实现模型求解的快速收敛并得其解.通过理论分析及数值仿真实例验证了所提模型能有效提高非线性系统的控制精度、稳定性、鲁棒性及自适应性,从而实现非线性系统的综合最优控制. 相似文献
15.
16.
Stewart主动隔振平台的神经网络自适应控制 总被引:1,自引:0,他引:1
针对Stewart主动隔振平台,提出一种基于径向基函数(RBF)神经网络的多输入多输出自适应隔振控制方法.考虑外界振动对Stewart主动隔振平台动态特性的影响,建立了隔振平台在工作空间中的动力学模型.推导出RBF神经网络的权值矩阵、高斯基函数中心和宽度的在线自适应调节律,以使神经网络快速逼近系统的非线性动态函数.应用Lyapunov稳定性理论,证明了在扰动力和神经网络逼近误差有界的条件下,闭环控制系统滤波误差和RBF神经网络各调节参数估计误差的一致最终有界.仿真结果表明,该控制方法能有效地抑制不同方向的低频有界振动. 相似文献
17.
双电机驱动伺服系统中存在齿隙非线性环节,为了削弱齿隙非线性对系统的动态和稳态性能产生的不利影响,本文提出了一种新的自适应控制方法.首先给出了系统的状态空间模型并分析了双电机同步联动控制的原理,然后应用改进的反推方法,在考虑系统所有的状态变量都能收敛的基础上,引入虚拟控制量,通过逐步递推选择Lyapunov函数,利用径向基函数(radial basis function, RBF)神经网络在线逼近系统中的不确定函数,设计了基于状态反馈的RBF神经网络反推自适应控制器,并进行了稳定性分析.将单纯的反推控制和RBF神经网络反推自适应控制的仿真结果对比,发现后者的优越性高于前者.最后在实际系统中进行试验,验证了所提控制策略的可行性. 相似文献
18.
19.
20.
一类非线性系统的自适应控制 总被引:1,自引:0,他引:1
针对一类未知的MIMO非线性系统的控制问题,提出了一种基于混合遗传算法的自适应RBF神经网络控制器(HGA-RBFNNC),使系统能跟踪期望输出.采用混合遗传算法,在线确定RBF神经网络的结构和参数,当误差满足一定要求时,该控制器转入按照基于Lyapunov稳定性理论的自适应律进行网络权值的进一步调整,这样既在线建立神经网络又保证了整个系统的全局稳定性和收敛性.仿真实验结果表明,该控制器能够快速跟踪期望输出,而且具有很好的稳定性和收敛性. 相似文献