基于逆系统方法的非线性二自由度内模控制

针对一类非线性连续系统,提出一种基于逆系统方法的二自由度内模控制设计方法.首先根据原系统设计阶积分逆系统,然后针对复合后的伪线性系统设计基于逆系统方法的2-DOF内模控制器.由于采用了二自由度控制器,使系统设定值响应同干扰响应分离,得以分别设计控制器.理论分析和仿真结果证明了文中提出的方法控制性能好,精度高,且控制器设计简单,使系统同时具有良好的跟踪性和鲁棒性.     

斜拉桥索无损检测驱动系统内模解耦控制方法

针对在役斜拉桥索只能进行无损检测,且检测信号受外界干扰较大的特点,为保持机器人平稳运动,设计了基于内模解耦空间矢量脉宽控制方法的驱动系统。仿真结果表明,驱动系统采用内模解耦空间矢量脉宽调制方法,可有效抑制电磁惯量扰动与参数模型不相匹配对输出激励电流的影响,克服传统的PI控制不能动态解耦以及对电机参数敏感的问题,可为桥梁斜拉索检测机器人提供稳定动力。     

一类三阶非线性系统的全局稳定性

直接采用类比法研究较已有文献中更一般的一类三阶非线性系统，给出了零解为全局稳定的充分条件，所得结果推广了王联，王慕秋“一类三阶非线性系统李雅普诺夫函数构造之分析”一文中的定理１１。     

多值非线性系统的自适应控制

提出了带有多值非线性环节的线性离散系统的自适应控制算法，仿真实验的结果表明：该算法简单易行具有明显的优点，跟踪误差比采用一般的自适应控制算法时要小得多，且能保证闭环系统大范围近收敛。     

一类非线性系统新的双线性化方法

结合微分几何理论与精确近似的方法对一类非线性系统进行精确和拟精确的状态双线性化及完全双线性化研究，提出了关于一类非线性系统的新的双线性化方法，最后通过具体的实例验证了该方法的有效性。     

一类非自治非线性系统的稳定性

运用大系统分解理论的标量Ｖ（Ｌｉａｐｕｎｏｖ）函数方法,对一类非自治非线性系统的稳定性理论进行研究,获得该系统的渐近稳定性的充分条件,并同时得到当系统中非线性项条件减弱时,系统渐进稳定性的一个推论。     

对一类非严格重复系统的两种基于二阶内模的迭代学习控制器设计

通过对系统中的不确定参数建立迭代域上的二阶内模来研究一类非线性连续时间系统的非严格重复性,并依照内模原理提出了两种基于二阶内模的参数迭代学习控制器：二阶迭代学习控制器和平行迭代学习控制器．本文分别使用不同的Lyapunov函数,证明了两种控制器在各自的可行范围内都可以保证系统的跟踪误差收敛．通过对这两种学习机制的比较分析,说明了平行迭代学习控制设计的合理性．两个数值仿真不仅证实了两种算法的有效性,也展示了平行迭代学习控制器更好的收敛特性．     

切换混杂系统的优化控制

针对一类切换混杂系统模型对其进行最优化控制.首先给出了混杂系统模型,按照极大值原理给出了最优控制问题应满足的的必要条件,运用极大值原理算法对其进行优化控制研究,实现该混杂系统的全局最优,得出结论,证明了优化策略的有效性.     

内模控制策略在混合隔振系统中的应用研究

内模控制作为一种独特的控制结构,能够清楚地表明控制系统调节参数与闭环响应及系统鲁棒性的关系,从而兼顾系统性能和鲁棒性.为提高混合隔振系统的隔振性能,将内模控制理论应用于混合隔振系统.分析了混合隔振系统的动力学传递关系;设计了混合隔振系统的内模控制器.仿真结果表明,内模控制效果明显.     

径向基神经网络辨识非线性系统的改进算法

利用神经网络的非线性映射特性,将神经网络应用于非线性系统辨识。利用径向基神经网络来辨识非线性系统,并对两种不同RBF神经网络辨识算法进行比较。仿真结果表明,改进的算法具有学习速度快,辨识精度高的特点。     

线控转向系统的神经网络模型与模糊控制

采用魔术公式表达的轮胎模型,建立线控转向系统非线性三自由度整车动力学模型,该模型在整个轮胎侧偏角范围内有效,反映轮胎侧偏角超过5°后轮胎侧偏力与轮胎侧偏角的非线性特性,并采用BP神经网络训练模型。转向传动比采用模糊控制。结果表明：采用BP神经网络训练模型较好的映射了输入与输出的非线性关系,采用转向传动比模糊控制算法得到转向传动比随车速的变化规律,可较好的实现低速转向灵敏和高速转向稳定的控制目标。     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。     

适用于非线性对象的神经元非模型控制方法

改进了神经控制器的输入信号处理函数，设计出一种非线性转换器，能有效提高神经元非模型控制器对非线性对象的适应能力。仿真试验表明，新的神经元控制器能有效地克服非线性的不利影响，具有响应快速和强鲁棒性，对过程参数的变化和负荷干扰都有较好的自适应能力。同时该控制器保留了简单，实用，无需对象模型等优点，能方便地应有竽具有非线性的工业过程控制。     

Application of Nonlinear Predictive Control Based on RBF Network Predictive Model in MCFC Plant

This paper described a nonlinear model predictive controller for regulating a molten carbonate fuel cell (MCFC). A detailed mechanism model of output voltage of a MCFC was presented at first. However, this model was too complicated to be used in a control system. Consequently, an off line radial basis function (RBF) network was introduced to build a nonlinear predictive model. And then, the optimal control sequences were obtained by applying golden mean method. The models and controller have been realized in the MATLAB environment. Simulation results indicate the proposed algorithm exhibits satisfying control effect even when the current densities vary largely.     

An Adaptive Sliding Mode Tracking Controller Using BP Neural Networks for a Class of Large-scale Nonlinear Systems

A new type controller, BP neural-networks-based sliding mode controller is developed for a class of large-scale nonlinear systems with unknown bounds of high-order interconnections in this paper. It is shown that decentralized BP neural networks are used to adaptively learn the uncertainty bounds of interconnected subsystems in the Lyapunov sense, and the outputs of the decentralized BP neural networks are then used as the parameters of the sliding mode controller to compensate for the effects of subsystems uncertainties. Using this scheme, not only strong robustness with respect to uncertainty dynamics and nonlinearities can be obtained, but also the output tracking error between the actual output of each subsystem and the corresponding desired reference output can asymptotically converge to zero. A simulation example is presented to support the validity of the proposed BP neural-networks-based sliding mode controller.     

基于改进的BP神经网络模型参考自适应控制

针对传统BP算法的神经网络模型参考自适应控制实时性差、精度不高、收敛慢等不足,结合BP改进算法和非线性系统的可逆性,提出了基于改进的双向权值调整BP算法的神经网络模型参考自适应控制.基于此算法设计的系统辨识器和控制器的网络结构简单,精度高,仿真结果表明该算法的辨识和控制效果均很理想,可应用于工程实际.     

基于递归神经网络的预测模糊控制

为提高控制信息与实时状态的适应性，改善模糊控制品质，用传统模糊控制策略，根据当前时刻误差和预测误差变化值，预测下一时刻的控制输出和系统在未来时刻的误差,用递归神经网络预报系统未来输出值的功能，采用双系统交替控制模式．系统中包含1个模糊控制器和1个递归神经网络，一个工作，另一个学习，使控制系统具有自适应性．仿真结果表明，与常规模糊控制相比，预测模糊控制使超调减小，调节时间缩短．     

基于BP神经网络的运量预测模型优化研究

在传统多种单项预测模型与组合预测方法的基础上,利用BP神经网络技术的非线性映射能力,在多个预测模型与实际数列之间建立一种非线性关系,对运量预测结果进行优化,以达到提高预测精度的目的.通过实例分析,表明这种经过BP神经网络优化后的预测模型,可一定程度上克服传统单个预测模型的部分局限性,提高预测精度,用于运量预测是可行的.     

一种基于神经网络的模型参考自适应控制的研究

本文将ＢＰ网络的非线性映射特性和联想记忆功能用于模型参考自适应控制中，用以克服传统模型参考自适应控制算法的不足。仿真研究表明，该方法不仅能实现原方法的功能，而且该系统稳定性和抗干抗方面中优于原方法。