基于正系统分析的不确定非线性系统性能驱动控制方法

针对一类不确定非线性系统,提出一种保证系统状态满足预设边界性能函数的新型性能驱动控制(Performancedriven control,PDC)方法.不同于传统预设性能控制(Prescribed performance control,PPC)方法中对误差与边界性能函数的比值进行非线性变换的思路,本文基于保证状态量与上下边界的两个误差量均始终非负这一思想,引入基于Metzler矩阵的正系统分析理论,并结合切换控制技术,以最终保证系统状态始终在预设性能函数之内.系统的稳定性取决于边界性能函数的选取,而不改变控制器的形式.给出针对一类不确定非线性系统的控制设计、稳定性分析和方法讨论,数值仿真例子验证了所提出方法的有效性.

CMAC神经网络用于一类不确定MIMO非线性系统的鲁棒自适应反馈线性化

在已知标称系统的基础上 ,将CMAC神经网络用于一类状态反馈可线性化的多输入多输出 (MI MO)不确定连续时间非线性系统的鲁棒自适应反馈线性化 ,使系统获得要求的跟踪性能 .在很弱的假设条件下 ,应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为UUB(一致最终有界 ) .仿真算例进一步验证了算法的正确与有效 .

不确定非线性系统快速终端滑模控制

针对界未知的非匹配不确定非线性系统轨迹快速跟踪控制,设计非线性干扰观测器(NDO)的反演自适应终端滑模控算法。首先设计子系统干扰观测器来确定界未知非匹配项补偿量,并结合子系统的Lyapunov函数求出反演控制中虚拟控制律,并运用指令滤波器解决虚拟项求导所带来的微分膨胀缺陷;再设计系统的非奇异快速终端滑模面并给出建模误差不确定性的自适应律,继而求出系统总控制律以确保总闭环系统有限时间全局渐近稳定;最后机器人动力学仿真案例表明,所设计的控制器能实现对指定轨迹的快速稳定跟踪,控制量光滑弱抖振,并对非匹配干扰具有较强的鲁棒性。

一类不确定非线性MIMO系统的神经网络输出反馈跟踪控制

针对一类具有外部干扰的不确定仿射非线性MIMO系统提出了一种神经网络输出反馈跟踪控制方法.在仅输出可测的情况下,控制律和神经网络权值更新律中仅用到输出误差,无需设计状态观测器或加入低通滤波器使得估计误差动态满足严格正实条件.为抑制外部干扰和子系统间的交叉耦合及神经网络逼近误差,在控制律中加入鲁棒控制项.基于Lyapunov稳定性定理证明了系统的稳定性及信号的有界性.仿真例子证实了所提方法的可行性.

一类MIMO非线性不确定系统的自适应无源控制

研究了一类含有未知参数的多输入多输出非线性不确定系统的自适应无源控制问题.首先,讨论了当控制输入未知常参数系数矩阵分别为对称正定矩阵和可逆矩阵时这类系统的自适应无源控制器设计方法,继而设计出这2种情况下的自适应无源控制器以及相应的参数自适应律.然后,利用李亚普诺夫方法证明了由原系统和所设计的控制器组成的闭环系统是稳定的,且在一定假设条件下,所设计的控制控制器能够使系统自适应无源.最后,给出了一个仿真算例,仿真结果证明所设计的控制器是有效可行的.

MIMO不确定仿射非线性系统输出反馈区域镇定

研究不确定仿射非线性系统的输出反馈镇定 ,在允许系统存在某类非匹配不确定性的情况下 ,为系统构造出动态输出反馈鲁棒控制器 ,使相应闭环系统渐近稳定 ,并给出吸引域的估计 .

一类非线性MIMO不确定系统的动态输出反馈镇定

考察其标称系统的相对阶大于｛１，１，…，１｝同时含匹配和非匹配不确定性的ＭＩＭＯ非线性系统的动态输出反馈镇定问题．文中直接用Ｌｙａｕｎｏｖ方法构造一类输出反馈动态补偿器，该补偿器可以实现对所论非线性不确定系统的动态输出反馈渐近镇定．

非线性MIMO系统线性化解耦的一种新方法(Ⅰ)——连续时间系统

给出用神经网络（ Ｎ Ｎ）α阶积分逆系统实现连续非线性 Ｍ Ｉ Ｍ Ｏ 系统线性化解耦的方法。 Ｎ Ｎα阶积分逆系统由一个静态神经网络加若干积分器构成，将其串联在原系统之前，原系统则解耦成若干个相互无关的 Ｓ Ｉ Ｓ Ｏ 伪线性积分系统。理论分析与仿真结果表明，对于精确模型未知的较一般的非线性 Ｍ Ｉ Ｍ Ｏ 系统，所给出的方法均能实现有效的线性化解耦，且结构简单，易于工程实现。

非线性MIMO系统线性化解耦的一种新方法(Ⅱ)——离散时间系统

研究如何构造神经网络（ＮＮ） α阶时延逆系统，并将其用于ＭＩＭＯ 强耦合非线性离散时间系统的线性化解耦。ＮＮα阶时延逆系统由单个静态神经网络和若干时延因子组成，将其与原系统复合可形成具有最小阶时延的伪线性解耦系统。该方法对被控系统数学模型的先验知识要求很少，不但能有效地实现对原系统的线性化解耦，且结构简单。

模糊CMAC神经网络用于MIMO非线性系统的反馈线性化

针对一类多输入多输出(MIMO)连续时间非线性系统,应用模糊CMAC神经网络,给出一种状态反馈控制器,用于使状态反馈可线性化的未知的非线性动态系统获得要求的跟踪性能.在很弱的假设条件下,应用李雅普诺夫稳定性理论严格地证明了闭环系统内的所有信号为一致最终有界(UUB).

一类含不确定因素的非线性系统鲁棒跟踪

讨论了在木材工业计算机集成制造系统中抽象出的一类含不确定因素的非线性系统的鲁棒渐进跟踪问题 ,其中的未知参变量是时变的 ,且取值于一紧集Ω上。当未知参变量以线性和非线性形式出现时 。

非线性不确定状态时滞系统的鲁棒H_∞滤波

研究含有状态时滞的非线性不确定性系统的鲁棒H∞滤波器设计问题,其中系统的参数不确定性是时变和模有界的,非线性的扰动受有界条件约束.针对连续系统和离散系统两种情况,分别选取合适的Lyapunov函数分析了使滤波系统渐近稳定,且从噪声输入到误差输出的传递函数的H∞范数小于指定上界的充分条件,然后通过两个代数Riccati方程的正定解参数化表示了该滤波器.滤波器的设计过程和结构均是与状态时滞的大小、非线性扰动以及不确定性参数无关的.

不确定非线性系统的鲁棒自适应控制

针对一类具有一般不确定性的非线性系统（包括非线性不确定性、有界干扰、时变参数等），利用递推设计方法，设计了一种新的用于输出调节的鲁棒自适应控制器．该控制器对非线性不确定性和有界干扰具有鲁棒性，并能保证闭环系统信号的全局有界性．其优点是对不确定性的知识要求较少．仿真实例表明，设计的鲁棒自适应控制器具有满意的控制效果．

具有非线性不确定参数的电液伺服系统自适应backstepping控制

针对电液伺服系统中存在非线性不确定参数的问题,提出了一种采用积分型Lyapunov函数的自适应backstepping控制方法.首先定义积分型Lyapunov函数,将电液伺服系统中的非线性不确定参数转化为线性表示;然后逐步递推设计backstepping控制器,同时在控制律中加入阻尼项,从而补偿外界干扰对控制性能的影响;基于Lyapunov稳定性方法,设计了参数自适应律,并且在自适应律中引入充分光滑投影算子,实现对电液伺服系统中不确定参数漂移的抑制作用.搭建了AMESim与MATLAB的联合仿真平台,对所设计的自适应backstepping控制器进行仿真,作为对比,设计了不带有非线性参数估计的自适应backstepping控制器和PID算法.仿真表明,本文所设计的控制器具有良好的跟踪性能和补偿非线性不确定参数变化的能力.

基于CMAC神经网络的一类MIMO非线性系统的自适应反馈线性化

在已知系统标称模型的基础上，将ＣＭＡＣ神经网络用于一类状态反馈可线性化的ＭＩＭＯ连续时间不确定性非线性系统的鲁棒自适应反馈线性化，使系统获得要求的跟踪性能。在很弱的假设条件下，应用李雅普诺夫稳定性理论证明了闭环系统内的所有信号为一致最终有界。仿真算例验证了该方法的正确性与有效性。

基于扩张观测器的非线性不确定系统输出跟踪

针对一类非线性不确定系统,设计出一种高增益扩张观测器,该观测器具有抗干扰性,可用于观测信号的n阶导数.在此基础上设计了一种控制器,使得跟踪误差及其各阶导数在不确定及扰动存在的情况下仍能迅速收敛.仿真结果表明,这种控制方法对于非线性不确定系统具有良好的控制效果.

非线性MIMO系统的降维状态观测器

研究一类多输入多输出 (MIMO)非线性时变系统的降维状态观测器设计问题 .提出一种非线性降维状态观测器设计方案 ,并从理论上证明了状态观测误差的指数收敛性 .其中设计的降维状态观测器具有收敛速度可调的特性 .最后给出了数值算例 ,仿真结果表明了本文方法的有效性 .

含有非线性不确定参数的电液系统滑模自适应控制

针对含有非线性不确定参数的电液控制系统,提出了一种滑模自适应控制方法.该控制方法主要是为了解决由于初始控制容积的不确定性而引起的,非线性不确定参数自适应律设计的难题.其主要特点为,通过定义一个新型的特殊Lyapunov函数,进而构建系统的自适应控制器及参数自适应律,并结合滑模控制方法及一种简单的鲁棒设计方法,给出整个电液系统的滑模自适应控制器,及所有不确定参数的自适应律.试验结果表明,采用该控制方法能够取得良好的性能,尤其可以补偿非线性不确定参数对系统的影响.

一类不确定非线性系统的鲁棒自适应控制

针对一类不确定非线性系统 ,设计出一种新的自适应控制器 ,它克服了现有方案存在的过多参数辨识问题 ,从而降低了控制器的动态阶次 .在较弱条件下 ,该控制器不仅能保证闭环系统所有信号有界 。

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 .