含未知动态与扰动的非线性系统神经网络嵌入学习控制

针对带有不确定性与扰动的非线性系统的性能优化问题,提出一种基于神经网络嵌入的学习控制方法.对一类常见的Lyapunov函数导数形式,将神经网络控制器集成到某种对系统稳定的基准控制器中,其意义在于将原控制器改进为满足Lyapunov稳定的神经网络参数可调控制器,从而能够利用先进的神经网络学习技术实现控制器的在线优化.建立了跟踪误差的等效目标函数,避免了对系统输入–输出的辨识问题.建立了一种未知非线性与扰动等效值自适应方法,并依此方法设计基准控制器.以RBF(Radial basis function)反步自适应控制、基于卷积神经网络的滑模控制和深度强化学习控制为对比方法,对带有死区、饱和、三角函数等数值与物理非线性模型进行仿真分析以测试方法有效性,并针对上肢康复机器人控制问题进行虚拟实验以验证该方法的实用性.仿真与实验结果表明,该方法能在Lyapunov稳定条件下有效优化基础控制器性能,对比结果证实了该方法的实用性与先进性.

基于自调节有限时间预设性能函数的多智能体系统动态面状态约束量化控制

针对一类非线性多智能体系统,构建一种基于自调节有限时间预设性能函数的动态面状态约束量化控制策略.所提出控制方法的主要特点为:1)将自调节有限时间预设性能函数与屏障Lyapunov函数相结合对多智能体系统的状态进行约束,使得构建出的约束函数能够根据系统当前跟踪误差自行调节自身参数而无需人为干预;2)通过使用动态面控制方法,避免传统反步控制方法的“微分爆炸”现象,并设计滤波补偿函数消除因引入动态面方法而产生的滤波误差和信号振荡的问题;3)使用RBF神经网络逼近系统中未知非线性的同时,引入量化器以减轻系统的通讯负担,且所构建量化控制方法仅需量化器具有扇形有界性质即可.稳定性分析表明,闭环系统内所有信号均为半全局一致有界的.仿真环节验证了所提出控制策略的有效性.

基于EMD分解的风力机功率特性分析与预测建模

以实际风力机功率数据为基础,通过经验模态分解(EMD)将风力机功率时间序列分解为多个特征模态函数。利用分形理论对风力机功率时间序列各分量的局部时频特性进行研究判断,并对新的风力机功率时间序列进行重构。然后,利用最大Lyapunov指数等特性指标分析风力机功率时间序列的混沌特性,并分别分析3个尺度子序列的行为动力学特性。最后,建立基于蚁群优化极值学习机制,构建风力机功率时间序列预测模型。仿真结果表明,该模型比其他单一预测模型具有更高的预测精度,可用于工程实际。