Time-delay Positive Feedback Control for Nonlinear Time-delay Systems with Neural Network Compensation

新适应时间延期积极反馈控制器(ATPFC ) 为非线性的时间延期系统的一个班被介绍。建议控制计划由神经基于网络的鉴定和时间延期组成积极反馈控制器。与一个特殊动态鉴定模型一起合并的二个高顺序的神经网络(HONN ) 被采用识别非线性的系统。基于识别模型，本地 linearization 赔偿被用来处理系统的未知非线性。线性化的系统的一个 time-delay-free 逆模型和一个需要的引用模型被利用组成反馈控制器，它能导致系统输出追踪一个引用模型的轨道。为鉴定和靠近环的控制系统的追踪的错误的严密稳定性分析借助于 Lyapunov 稳定性标准被提供。模拟结果被包括表明建议计划的有效性。

Robust adaptive control for uncertain systems with discrete and distributed delays

In this paper, a robust adaptive control scheme is proposed for the stabilization of uncertain linear systems with discrete and distributed delays and bounded perturbations. The uncertainty is assumed to be an unknown continuous function with norm-bounded restriction. The perturbation is sector-bounded. Combining with the liner matrix inequality method, neural networks and adaptive control, the control scheme ensures the exponential stability of the closed-loop system for any admissible uncertainty.

自适应解耦控制方法的研究

设计了一种改进的自适应解耦控制方法,即采用修正的RLS算法辨识系统线性部分的模型,用神经网络来逼近通道间的耦合、非线性及未建模动态项,进而增强了自适应控制的精度和鲁棒性。该方法能解决不确定性系统的多变量耦合问题。最后,给出了该算法的实现步骤及仿真结果,表明该方法是可行的。

基于人工神经网络的静止无功发生器的控制

对静止无功发生器的控制变量及其控制方式进行了探讨。在对静止无功发生器数学模型分析的基础上,对数学模型进行了进一步的处理,引入了静止无功发生器的接入点电压偏差作为控制变量,使控制更加直观;利用人工神经网络离线训练在线应用的特性,采用在线识别的方法实现静止无功发生器的自适应最优控制。建立了以接入点电压偏差为控制变量以人工神经网络为控制手段的静止无功发生器的新的控制模式,最后利用Matlab进行了单机无穷大系统的仿真验证,证明了该控制策略的有效性。

六自由度波浪补偿平台的神经网络自适应反馈线性化控制

六自由度波浪补偿平台所采用的大长径比非对称液压系统在深海区需完成大跨度、高速度的波浪补偿任务,这为控制系统的控制精度和抗干扰能力带来严峻的挑战.引入径向基神经网络(RBFNN)辨识,提出一种自适应反馈线性化控制策略.首先,建立六自由度波浪补偿平台非对称液压系统的非线性模型.然后,基于RBFNN辨识利用反馈线性化设计自适应控制器.最后,利用MATLAB/Simulink开展五级海浪(90°遭遇角恶劣工况)作用下和外力干扰下的仿真分析.结果表明:相比于经典比例系数-积分系数-微分系数(PID)和滑模控制,新型控制器控制精度和抗干扰能力明显提高,更适合用于复杂海况下六自由度波浪补偿平台的控制,且具有很好的跟踪效果和较强的稳健性,可为深海区六自由度波浪补偿平台控制系统设计提供参考.

基于非线性动力学模型补偿的水下机械臂自适应滑模控制

为满足特大型水利水电工程中的大直径超长距离引水隧洞定期检测的重大需求,智能化水下机器人系统成为当前的研究热点。为提高水下机械臂建模的准确性与控制能力的精准性,该文首先提出一种融合Newton-Euler方程、Morison方程与非线性摩擦力的水下机械臂动力学模型建模及参数辨识方法,并在补偿已辨识模型的基础上,设计了一种利用径向基函数(radial basis function,RBF)神经网络补偿系统未建模与建模误差的自适应滑模控制方法。通过仿真,该文证明了该方法比传统比例积分微分(proportional integral differential,PID)控制和一般RBF网络自适应滑模控制具有更高的控制精度。