一类严反馈非线性系统的神经网络控制

研究一类不确定严反馈非线性系统的跟踪控制问题.通过采用单一神经网络逼近系统的所有未知部分,提出一种新的鲁棒自适应控制设计方法.该方法能直接给出实际控制律和自适应律,有效地解决现有方法中存在的控制设计复杂和计算负担重等问题.稳定性分析表明,闭环系统所有信号是半全局一致最终有界的,并且通过调整控制参数可使跟踪误差任意小.仿真结果验证了所提出方法的有效性.

一类非线性输入时滞系统自适应控制——无源化方法

针对一类含输入时滞的不确定严反馈非线性系统,设计了有记忆时滞依赖型γ-无源自适应控制器.首先,在局部线性化的基础上设计了有记忆时滞依赖型γ-无源控制器.针对严反馈非线性系统各个子系统中的非线性,利用Back-stepping方法将局部γ-无源控制律进行分解,得到线性的中间虚拟控制律,在此基础上,利用神经网络补偿各子系统的非线性部分,将上述过程整合即得到系统的最终控制律.控制器的特点是针对系统中的输入时滞,反馈控制律采用有记忆的时滞依赖型控制策略,即系统的反馈控制律不仅与当前的系统状态有关,还与系统的时滞过程中的控制作用有关.这种控制方法比无记忆时滞独立型控制保守性更小.稳定性分析中,证明了闭环系统是一致终态有界稳定的.

一类控制系数有界的时变非线性系统的自适应鲁棒控制

针对一类带有有界控制系数和有界扰动的时变参数严反馈非线性系统,将Nussbaum函数增益及光滑投影算法与自适应逆推设计工具相结合,提出一种自适应鲁棒非线性控制方案.在此方案中无需知道控制系数的符号,以及时变参数和扰动的界.借助Lyapunov函数及相关引理证明了所设计的自适应鲁棒非线性控制器能保证闭环系统中的所有信号全局一致有界.可以通过恰当地选取设计参数,保证系统具有任意指定的控制性能.仿真研究证明了所提出算法的可行性和有效性.

一种改进的非线性MIMO系统鲁棒自适应反推控制

针对一类具有模型不确定性和未知外界干扰的严反馈非线性MIMO系统,提出一种基于RBF神经网络和反推控制的鲁棒控制律设计方法。应用RBF神经网络在线逼近模型的不确定性,引入低通滤波器消除反推设计方法中由于对虚拟控制反复求导而导致的复杂性问题。同时,在控制律设计中引入一个自适应鲁棒控制项来补偿神经网络逼近误差和未知外界干扰的影响,提高系统的鲁棒性,使整个系统获得更好的跟踪控制性能。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致终结有界;通过适当选择设计参数及初始化误差变量,跟踪误差可收敛到原点的一个任意小邻域内,且跟踪误差的L∞跟踪性能被保证。数值仿真验证了方法的有效性。

Direct Adaptive Fuzzy Based Backstepping Control of Semi Strict Feedback Nonlinear Systems

In this paper, a direct adaptive fuzzy tracking control is proposed for a class of uncertain single-input single-output nonlinear semi-strict feedback systems. Based on Takagi-Sugeno type fuzzy systems, a direct adaptive fuzzy tracking controller is developed by using the backstepping approach. The main advantage of the developed method is that for an n-th order system, only one parameter is needed to be adjusted online. It is proven that, under the appropriate assumptions, the developed scheme can achieve that the output system converges to a small neighborhood of the reference signal and all the signals in the closed-loop system remain bounded. The efficacy of the proposed algorithm is investigated by an illustrative simulation example of one link robot.