基于高次神经网络的一类非线性组合大系统的鲁棒控制器设计

:对于一类非线性组合大系统 ,本文提出了基于高次神经网络的一种新型控制器的设计方法 .本文首先用高次神经网络逼近非线性组合大系统中的互联项 ,然后基于高次神经网络设计一种新型控制器 ,这种设计方法不仅解决了大系统中的最为复杂的互联项问题 ,较以往采用的办法在工程上易于实现 .仿真结果表明了该方法的有效性 .

基于动态神经网络的一类非线性组合系统自适应控制

针对一类非线性组合大系统,提出一种用动态神经网络逼近组合大系统的新型设计方法·首先由动态神经网络辨识非线性组合大系统,也就是利用动态神经网络逼近系统的未知项和互联项,其次设计控制器使实际系统的状态来跟踪参考模型的轨迹·利用Lyapunov稳定性理论保证跟踪误差和其他信号是最终一致有界的·通过一个非线性系统例子的仿真证明这种设计方法的可行性·这种设计方法能够解决大系统中最为复杂的互联项问题,得出基于神经网络的自适应控制律·

一类非线性相似组合大系统的分散自适应滑模控制

基于滑模控制原理,针对一类具有未知增益和强关联项的非线性相似组合大系统的控制进行了研究,提出了一种分散自适应控制策略。通过理论分析和数值仿真,证明了分散自适应控制系统是全局稳定的,跟踪误差可收敛到零的一个邻域内。

非线性大系统简单迭代学习控制的收敛性

证明了当被控系统的状态方程为一类非线性组合仿射大系统时,采用开环P型学习律迭代学习控制收敛的充分条件和必要条件,并给出了一个例子来说明此条件的正确性.

基于小增益定理的MIMO非线性系统的自适应控制

针对一类具有不确定函数控制增益的非线性相似组合大系统,提出一种直接鲁棒自适应控制设计器.基于输入到状态稳定性质和小增益定理,并利用T-S模糊逻辑系统逼近不确定函数,设计直接鲁棒自适应控制器.通过理论分析证明闭环系统半全局一致终结有界.

一类组合大系统简单迭代学习控制的收敛性

该文提出并证明了当被控系统的状态方程为一类非线性组合大系统方程时采用简单学习律迭代学习控制的收敛的充分和必要条件。引入了一种范数,使得该系统的收敛性无需要求各个子系统的互联项之间满足一定的相关度等假定,控制采取的是分散控制,这些都有利于工程实现。

一类相似组合系统分散自适应模糊控制

针对一类具有函数控制增益的非线性相似组合大系统,基于一种修改的李亚普诺夫函数并利用Ⅱ型模糊系统的通用逼近能力,提出了一种稳定自适应分散模糊控制器设计的新方案。该方案能够避免现有的一些模糊控制器设计中对控制增益一阶导数上界的要求。通过理论分析,证明了闭环分散模糊控制系统是全局稳定的,跟踪误差收敛到零。