输入饱和与姿态受限的四旋翼无人机反步姿态控制

本文针对四旋翼无人机研究了鲁棒反步姿态控制策略.由于四旋翼无人机结构复杂,其非线性数学模型难以精确建立,因此在控制器设计过程中需要综合考虑模型不确定性、未知外部干扰、输入饱和以及姿态受限等因素.针对模型中的不确定项,使用神经网络进行逼近;对于外部未知干扰,使用非线性干扰观测器进行补偿;使用双曲正切函数逼近饱和函数,解决输入饱和问题;同时使用界限Lyapunov函数设计控制器,确保姿态满足限制条件.最后,设计四旋翼无人机反步姿态控制器,并根据Lyapunov稳定性定理证明了闭环控制系统的有界稳定.仿真结果表明了所研究控制方法的有效性.     

改进协同微粒群优化的模糊神经网络控制系统设计

针对协同微粒群算法不能保证收敛到局部或全局最优值的问题,提出一种改进协同微粒群算法(ICPSO),并证明了该算法能以概率1收敛干全局最优解.应用ICPSO建立一类非线性对象的神经网络辨识模型,并对系统的模糊神经网络自适应控制器的参数进行了离线和在线优化.仿真结果表明,ICPSO能提高系统的建模精度,增强模型的泛化能力,而且由ICPSO训练的控制器可以达到良好的控制效果.     

基于神经网络干扰观测器的动态逆飞行控制

对新一代歼击机提出了基于神经网络干扰观测器的动态逆飞行控制器设计方案.首先采用RBF神经网络设计干扰观测器,使其输出能够逼近动态逆误差;然后基于干扰观测器的输出设计动态逆飞行控制系统,该系统能克服动态逆误差对飞行控制带来的不利影响;最后将所设计的飞行控制系统用于新一代歼击机的机动飞行仿真,仿真结果表明该飞行控制系统是有效的.     

高阶滑模微分器的分析与改进

首先采用Terminal吸引子函数代替原不连续函数,以避免滑模微分器的抖振;然后针对现有文献中高阶滑模微分器设计参数选取苛刻这一问题,放宽了设计参数选择范围,并分不同情况证明了高阶滑模微分器的稳定性．在此基础上,给出了高阶滑模微分器估计误差的上界与设计参数和滑模微分器阶次的关系式;通过对设计参数的选取和系统整体结构的分析,提出了高阶滑模微分器减小估计误差且更适于工程应用的设计方法,并给出所需条件．仿真结果表明了所得结论的正确性和有效性．     

量化因子对二级倒立摆模糊控制器性能的影响

本文研究了模糊控制器量化因子对二级倒立摆模糊控制器性能的影响,提出了选择量化因子的一些基本方法、准则.通过比较、分析,以及对二级倒立摆系统的成功控制,可知本文提出的方法、准则是合理的.本文最后给出了在本文方法确定的量化因子作用下的模糊控制器与某文献模糊控制算法控制效果的比较,仿真结果显示了本文方法的有效性.     

多维逆M序列及其在多变量系统辨识中的应用

基于Ｍ序列和逆Ｍ序列,提出了多维逆Ｍ序列发生器的结构形式。多维逆Ｍ序列近似周期白噪声,无直流分量,各维序列之间互不相关。言语中研究了多维逆Ｍ序列的性质,给出了自相关函数的计算公式。通过使用多维逆Ｍ序列,将多变量系统参数辨识简化为各通道对应的单变量系统参数辨识。多维逆Ｍ序列具有很好的推广应用价值。     

非匹配不确定高阶非线性系统的滑模控制新方法

对具有非匹配不确定的高阶非线性系统,采用改进的高阶滑模微分器获取已知状态的任意阶微分估计值,再以恰当阶次的状态微分估计值之差,得到非匹配不确定项及其微分的估计值,证明了其误差任意小.为避免奇异性和抖振,采用两种方案设计了滑模控制器,并设计鲁棒项提高系统鲁棒性.基于Lyapunov~论证明了系统稳定性.同现有其他方法相比,该方法具有适用范围更广、收敛速度快、控制精度高、运算量小、保守性低等优点.最后仿真证明了本文所有结论.     

基于干扰观测器的一类不确定非线性系统鲁棒H∞控制

为了降低控制器对干扰的要求,基于干扰观测器提出一类多输入多输出不确定非线性系统的鲁棒H∞控制方法．将系统的内部不确定性和外部干扰组成复合干扰,设计基于小波神经网络的复合干扰观测器,并提出干扰观测器的参数调节方案使观测器能以高精度逼近复合干扰．同时在控制器中引入鲁棒控制项用来抑制观测器误差给系统带来的影响,所设计的控制器能使系统的跟踪误差小于一个给定的性能指标．最后给出一个仿真算例验证了本控制方案的有效性．     

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.     

一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法,首先通过构造增广系统,设计出线性渐近跟踪控制器,然后采用SOFCMAC神经网络在线重构系统的非线性特性,以消除非线性特性引起的系统误差,可保证非线性系统闭环稳定并使系统输出跟踪期望输出.仿真算例证明了SOFCMAC神经网络自适应重构跟踪控制系统的稳定性.