一类非线性MIMO系统的直接自适应模糊鲁棒控制

针对一类未知的非线性MIMO系统, 本文提出了一种直接自适应模糊鲁棒控制设计方法. 理论分析和仿真实验都已证明, 该方法确保闭环系统全局稳定, 获得H_∞跟踪性能指标, 外部干扰、模糊逻辑逼近误差和输入对输出的交叉耦合可衰减到给定的水平, 系统鲁棒性好.     

一类不确定非线性系统的鲁棒H∞控制

在一种工程应用背景之下, 考虑了一类非线性系统的鲁棒H_∞ 控制问题, 不确定性范数有界, 基于HJI不等式研究了状态反馈控制器设计问题, 使得闭环系统满足H_∞ 干扰抑制性能要求.     

非线性不确定系统的H∞滑模控制

对于一类具有不满足匹配条件干扰的非线性不确定系统, 定义了H_∞ 滑模控制问题Q1.通过状态变换和状态反馈以及干扰重定义, 提出了线性系统的滑模干扰抑制问题Q2. 问题Q2 可以通过解Riccati不等式得以解决. 在一定的假设条件下, 证明了可以通过解Q2 获得Q1问题的解. 最后给出了保证滑模存在的控制律. 单机无穷大系统励磁控制的计算机仿真结果表明了该方法的有效性.     

基于滤波器估计的正交函数神经网络非线性系统H∞控制

针对含有多个未知非线性项的非线性系统难于控制的问题,提出利用Chebyshev正交函数构建基于神经网络滤波器的控制器,并在权值学习误差有界和跟踪误差有界条件下,通过李雅普诺夫稳定性定理确定控制器的权值,保证了非线性系统的H_∞鲁棒控制.最后,利用所提出算法对非线性系统的滤波器和控制器进行确定,仿真结果验证了该方法的有效性.     

基于自适应神经网络的一类不确定非线性系统的鲁棒H∞控制

针对一类不确定非线性多输入时变系统，提出了一种新的鲁棒H∞控制方案．通过引入2个自适应神经网络逼近器，提出了一个简化的Hamilton—Jaeobi—like不等式，并据此设计了非线性H∞控制器和匹配不确定项补偿控制器，消除了输入摄动项和估计器最优逼近误差的有界性假设．机器人系统的鲁棒跟踪控制仿真算例证实了所提出控制方案的有效性．     

基于神经网络的一类非线性系统自适应H∞控制

基于神经网络提出一种自适应Ｈ∞控制方法。控制器由等效控制器和Ｈ∞控制器两部分组成,用神经网络逼近未知非线性函数,Ｈ∞控制器用于减弱外部及神经网络逼近误差对跟踪误差的影响。所设计的控制器不仅保证了闭环控制系统的稳定性,而且使外部干扰及神经网络逼近误差对跟踪误差的影响减小到预定的性能指标。     

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.     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

一类非线性系统的稳定神经网络自适应控制

利用神经网络作为非线性系统的模型，研究了一类非线性系统的神经网络自适应控制问题，设计出的自适应控制器具有如下的特点：（１）网络仅值是基于参考误差信号学习的投影算法来调节，这样可保证权值的有界性；（２）为了减小神经网络参数估计误差对跟踪误差的影响，提出了根据参考误差信号实时修正神经网络输入的方法。仿真结果对该控制方案进行了验证。     

一类非线性不确定系统的神经网络控制

针对一类非线性不确定系统,提出了一种自适 应神经网络控制方案．被控系统是部分已知的,其中系统已知的动态特性被用来设计保证标 称模型稳定的反馈控制器,而基于神经网络的动态补偿器则用于补偿系统的非线性不确定性 ,从而可以保证系统输出跟踪误差渐近收敛于0．     

一类不确定非线性离散时滞系统的鲁棒H∞滤波设计

考虑一类同时带有非线性动态和参数不确定性的离散时滞系统的鲁棒H-infinity滤波设计问题. 假设参数不确定性具有线性分式形式, 而非线性动态满足Lipschitz条件, 给出滤波器使误差系统鲁棒渐近稳定且达到指定的干扰抑制水平. 对参数已知情形, 先建立广义有界实引理, 然后给出H-infinity滤波器的存在条件, 证明了H-infinity滤波器的存在性可归结为线性矩阵不等式的可解性, 基于线性矩阵不等式给出了H-infinity滤波器的综合方法和步骤. 对参数不确定性情形, 通过引进标度参数, 将不确定非线性离散时滞系统的鲁棒H-infinity滤波问题转化为确定系统的H-infinity滤波设计. 最后给出仿真例子验证所得结果的有效性.     

基于动态递归神经网络的一类非线性不确定系统的自适应观测器

针对一类非线性不确定系统，当其状态不可测时，在基于动态递归神经网络的观测器中，对用来抑制不确定性、保证观测器鲁棒观测的控制项进行恰当的设计。仿真结果证实了该设计的有效性。     

基于神经网络的一类非线性系统自适应跟踪控制

提出一种非线性系统的自适应神经跟踪控制方案。通过利用RBF神经网络对未知非线性系统建模,并用一个滑模控制项消除网络建模误差和外部干扰的影响,从而能够保证闭环系统的全局稳定性和输出跟踪误差渐近收敛于零。     

基于神经网络的一类非线性连续系统的稳定自适应控制*

本文将神经网络作为非线性系统的模型，提出能够对一类非线性连续系统进行有效控制的自适应控制结构和算法，该控制方案不仅能经类非线性系统的跟踪控制问题，而且由于将变结构控制技术动用于其中，整个闭环控制系统还能克服许多神经网络控制系统中存在的稳定性问题。由稳定性理论可推证整个闭环控制系统渐近稳定和参数和渐近收敛的特性。     

基于神经网络的一类非线性系统的自适应控制

基于递归神经网络给出了仅含一个非线性环节的一类非线性系统的自适应控制方案。该方案采用递归神经网络辨识非线性系统中的未知非线性环节。沿用广义最小方差自校正控制方法,可以解决非线性环节未知和工作点变化时传统方法无法控制的自适应控制问题。理论分析和仿真结果表明,该方法具有很好的控制效果。     

基于神经网络的非线性系统稳定自适应控制

本文针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统 ,提出了一种基于神经网络的稳定自适应输出跟踪控制方法 .用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

一类未知多变量非线性系统的动态神经网络自适应控制

对一类未知的非线性的多变量系统，提出了用动态神经网络实现直接自适应控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习律，避免了递归训练过程，闭环系统被证明是鲁棒稳定的，跟踪误差收敛到一个小的残集，这种方法的特点是即不需要离线学习阶段也不要求初始的参数误差足够小，仿真结果验证了提出的动态网络的自适应控制算法的有效性。     

不确定非线性系统全局渐近自适应神经网络控制

针对一类控制增益为一般函数形式的不确定仿射非线性系统,提出一种能够确保全局渐近稳定的自适应神经控制(adaptiveneural control,ANC)方法.为了保证神经网络逼近的适用性,设计一种可变控增益的比例微分(proportionaldifferential,PD)控制器以全局镇定被控对象.利用状态变换解决由未知控制增益函数导致的控制奇异问题.提出一种连续的自适应鲁棒控制项实现闭环系统的渐近跟踪.与现有的全局渐近跟踪ANC方法相比较,本文方法不仅简化了PD增益的选择,而且减轻了控制输入的颤振问题.仿真结果表明了本文方法的有效性.     

基于神经网络的非线性自适应控制*

本文对非线性自适应控制的一个新领域－基于神经网络的非线性自适应控制（以下简称ＮＮＢＮＡＣ）的研究进展进行了综述，讨论了这一领域中存在的几个重要问题，然后指出了与这些问题相关的未来的研究方向。     

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。