基于神经网络的非线性多模型自适应控制

针对一类非线性离散动态系统,设计了一个自适应控制方案。为了保证在任意时刻均能为被控的动态系统选择最好的控制器,方案基于输入输出数据为系统定义一个线性预测模型,并在此基础上设计能够保证闭环系统所有信号有界的线性鲁棒自适应控制器,同时定义一个非线性预测模型,再基于径向基神经网络设计一个旨在提高系统控制性能的非线性自适应控制器。通过比较2个控制器预测的系统输出性能,设计合理的开关切换规则。控制方案能将系统稳定性控制和性能优化的控制分离并单独实现,使得系统能在保证稳定性前提下,借助神经网络控制器良好的追踪能力有效提高自适应控制效果。最后通过仿真例子说明了系统稳定和提高输出追踪效果可以同时得到保证。     

未知离散非线性系统的鲁棒自适应NN控制

利用WNN(小波神经网络)逼近未知函数，将未知离散非线性系统转化为一类参数化严格反馈系统，进而对变换后的系统给出一个避免过参数化的自适应反推控制器，并证明该控制器可保证在存在参数不确定性和函数不确定性的条件下，整个自适应系统的状态全局有界，同时也可保证系统的跟踪误差落在一个大小与不确定性成比例的紧集中，仿真结果表明该控制器具有较强的鲁棒性，可适用于不同的对象。     

非线性系统基于HM模型的自适应鲁棒跟踪控制

研究了非线性系统的跟踪控制问题，基于HM模型对非线性系统进行描述，并将全局模糊模型表示成不确定系统形式。在满足匹配条件下，针对未知不确定界，采用自适应鲁棒控制器，利用自适应变量信息来补偿系统的不确定性信息，实现了非线性系统的渐近跟踪控制。一级倒立摆仿真实验，验证了方案的有效性。控制器结构简单，规则少，具有应用价值。     

基于神经网络的多变量非线性自适应解耦控制研究

提出神经网络前馈自适应解耦控制算法．该算法将多变量非线性系统在平衡点处利用Taylor公式展开．分为线性部分和高阶非线性部分。这样．将高阶非线性部分的影响视为可测干扰，采用前馈补偿的方法加以消除．就可以借助多变量线性系统的自适应解耦控制算法．实现多变量非线性系统的自适应解耦控制．这种方法可以取消被解耦系统为最小相位的限制。     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于神经网络的模型跟随鲁棒自适应控制

针对一类复杂非线性动力学系统,提出一种基于神经网络动态补偿的模型跟随非线性鲁棒自适应控制策略.采用神经网络在线补偿控制器以克服系统的未建模动力学和非线性耦合因素的影响,从而提高了模型跟随控制的动态性能和稳态精度;当系统存在模型不确定性和外部扰动时,其输出仍能精确地跟踪期望参考模型的输出.同时给出了闭环误差系统鲁棒稳定性的证明.应用示例表明,所提方法可保证闭环系统具有良好的跟踪性能和鲁棒性,且算法简单,易于在线控制.     

一类离散时间非线性系统的多模型自适应控制

针对一类离散时间非线性被控对象,根据模型参数的变化范围,对被控对象建立多个模型,并针对每一模型设计控制器.基于模型的估计误差建立指标切换函数,每一采样时刻,利用指标切换函数选择最优模型,并将基于此模型的控制器切换为当前控制器.采用局部化技术,保证在不损失控制品质的同时,减少多模型自适应控制器的计算量.可以证明,多控制器相互切换时闭环系统是稳定的,同时由于多个模型的存在,控制品质得到了极大的改善.     

基于递归神经网络的一类非线性无模型系统的自适应控制

给出了基于递归神经网络非线性无模型的自适应控制方案，它具有灵活、简单、方法等特点，可以处理传统方法和非线性无模型系统自适应控制方法不能控制或控制效果不理想的非线性对象。理论分析和仿真结果证明了这种方法的优越性。     

基于观测器的非线性系统神经网络鲁棒控制

提出一类不依赖于模型的状态观测器，通过分析其根轨迹和极点要求配置合适的参数，该观测器本身是一个能提取高阶微分的高阶微分器．基于Lyapunov稳定性理论设计了使闭环系统渐近稳定，对模型变化和扰动具有鲁棒性的神经网络自适应控制器．该控制器不仅考虑了闭环系统的输出和设定输入误差的微分，而且考虑了误差的高阶微分，从而提高了控制品质．最后通过仿真例子验证了所提出理论的正确性．     

一个基于神经网络模型的鲁棒自适应控制算法

对于具有不确定因素的离散非线性动态系统,通过校正神经网络预报器的输出,运用加权预报控制性能指标和网络辨识器模型局部线性化的思想,提出了一个间接鲁棒自适应神经网络控制算法,仿真研究证实了该控制策略的鲁棒性和有效性.     

Nonlinear multivariable adaptive control using multiple models and neural networks

In this paper, a multivariable adaptive control approach is proposed for a class of unknown nonlinear multivariable discrete-time dynamical systems. By introducing a k-difference operator, the nonlinear terms of the system are not required to be globally bounded. The proposed adaptive control scheme is composed of a linear adaptive controller, a neural-network-based nonlinear adaptive controller and a switching mechanism. The linear controller can assure boundedness of the input and output signals, and the neural network nonlinear controller can improve performance of the system. By using the switching scheme between the linear and nonlinear controllers, it is demonstrated that improved performance and stability can be achieved simultaneously. Theory analysis and simulation results are presented to show the effectiveness of the proposed method.     

非线性零阶接近有界多模型神经网络自适应控制器

针对一类单变量非线性离散时间系统,提出一种零阶接近有界的多模型神经网络自适应控制器。该控制器包含一个非线性鲁棒自适应控制器和一个非线性神经网络自适应控制器。当系统非线性项放宽到零阶接近有界时,这两个控制器分别用于保证系统的稳定性和提高系统的性能,系统的控制输入由切换机构在两个控制器之间进行切换产生。最后给出了稳定性和收敛性证明,并通过仿真实验验证了该控制器的有效性。     

基于神经网络与多模型的非线性自适应广义预测解耦控制

针对一类非线性多变量离散时间动态系统,提出了基于神经网络与多模型的非线性自适应广义预测解耦控制方法.该控制方法由线性鲁棒广义预测解耦控制器和神经网络非线性广义预测解耦控制器以及切换机构组成.线性鲁棒广义预测解耦控制器用于保证闭环系统输入输出信号有界,神经网络非线性广义预测解耦控制器能够改善系统性能.切换策略通过对上述两种控制器的切换,保证系统稳定的同时,改善系统性能.同时本文给出了所提自适应解耦控制方法的稳定性和收敛性分析.最后,通过仿真实例验证了该方法的有效性.     

离散时间神经网络的研究进展 *

从动力学角度出发综述了离散时间神经网络的研究进展,介绍了离散时间神经网络的研究方法,列举 了离散时间神经网络的一些重要研究进展及其应用,并指出下一步的研究方向。     

Modified adaptive discrete control system containing neural estimator and neural controller

In this paper a modified discrete adaptive control system with neural estimator and neural controller is presented. The structure of the adaptive controller is based on the model presented by Etxebarria (Etxebarria V. Adaptive control of discrete systems using neural networks. IEE Proc. Control Theory Application, Vol. 141, No. 4, July, 1995) where the stability of the control procedure is proved. The Widrow–Hoff procedure of learning and the DARMA model is used for identifying and adjustment of neural network parameters, applied to adaptive control of discrete systems. In this paper the procedure of Etxebarria is modified. The learning rate of the neural network is improved and accelerated using the PD, PI and PID input controllers for input neurons. The effect of adding a momentum term (the past record of the learning) to the learning rule of the neural network is studied. The results are compared and discussed using the examples of Etxebarria and two other case studies. The procedure is extended to multi-input multi-output systems and cases studied are simulated.     

Robot discrete adaptive control based on dynamic inversion using dynamical neural networks

A stable discrete time adaptive control approach using dynamic neural networks (DNNs) is developed in this paper for the trajectory tracking of a robotic manipulator with unknown nonlinear dynamics. By using dynamic inversion constructed by a DNN, the assumption under which the system state should be on a compact set can be removed. This assumption is usually required in neuro-adaptive control. The NN-based variable structure control is designed to guarantee the stability and improve the dynamic performance of the closed-loop system. The proposed control scheme ensures the global stability and desired tracking as well.     

Adaptive switching control of discrete time nonlinear systems based on multiple models

We use the approach of “optimal” switching to design the adaptive control because the design among multiple models is intuitively more practically feasible than the traditional adaptive control in improving the performances. We prove that for a typical class of nonlinear systems disturbed by random noise, the multiple model adaptive switching control based on WLS(Weighted Least Squares) or projected-LS (Least Squares) is stable and convergent.     

基于切换的多模型二阶段自适应控制器设计

针对一类具有参数跳变特性的离散时间系统,设计一类基于切换策略的新型多模型二阶段自适应控制器.该控制器首先将系统不确定参数的变化空间划分为多个子空间,在每个空间内建立多个自适应模型.为了克服多模型退化,保持模型的多样性以应对参数跳变,采用带约束的二阶段自适应方法对未知参数进行实时估计,并据此设计相应的子控制器;然后基于切换策略,选取该时刻的最优子控制器作为系统的控制器,从而减小系统暂态误差,提高系统动态性能;最后进行数值仿真研究,仿真结果表明该控制器结合了切换机制和二阶段自适应的优点,在相同模型数量的情况下,能够快速逼近参数跳变以后系统新的工作点,显著地缩短系统的过渡过程,提高暂态性能.     

非仿射纯反馈系统的间接自适应神经网络控制

针对非仿射纯反馈系统,提出了一种新的设计方案.与现有文献中方法不同,该方案不是直接利用逼近技巧构建理想的反馈控制器.首先通过自抗扰思想将非仿射纯反馈系统转化成含有未知控制系数以及未知非线性的仿射系统,并且证明了可行性.然后结合微分器和全调节径向基函数神经网络,利用自适应反演技巧设计了自抗扰控制器,微分器的引入避免了传统反演的计算复杂性.最后,从理论上证明了所设计的控制器能够保证闭环系统所有信号半全局一致有界,并且证明了系统状态渐进收敛到零点的残集内.仿真例子验证了算法的有效性.     

Multiple neural-network-based adaptive controller using orthonormalactivation function neural networks

A direct adaptive control scheme is developed using orthonormal activation function-based neural networks (OAFNNs) for trajectory tracking control of a class of nonlinear systems. Multiple OAFNNs are employed in these controllers for feedforward compensation of unknown system dynamics. Choice of multiple OAFNNs allows a reduction in overall network size reducing the computational requirements. The network weights are tuned online, in real time. The overall stability of the system and the neural networks is guaranteed using Lyapunov analysis. The developed neural controllers are evaluated experimentally and the experimental results are shown to support theoretical analysis. The effects of network parameters on system performance are experimentally evaluated and are presented. The superior learning capability of OAFNNs is demonstrated through experimental results. The OAFNNs were able to model the true nature of the nonlinear system dynamics characteristics for a rolling-sliding contact as well as for stiction.