时滞对象的神经网络Smith预测控制

针对系统的时滞问题提出一种新的控制系统，将神经网络Smith预估器与神经元控制器通过预测误差有效结合在一起，起到预测控制目的。在神经网络Smith预估器中采用优于BP网络的IRN网络，仿真的结果表明系统的实时控制速度有了明显地提高。     

基于神经网络的非线性自适应输出反馈控制

针对能够采用仿射非线性表示的含有未建模动态的SISO非线性系统，讨论了一种基于神经网络的自适应控制方法，该方法对受控对象的已知部分，有用反馈线性化方法设计控制器，用神经网络在线补偿未建模动态及外部干扰等引起的误差，从而实现自适应控制。对具有未建模动态的双车倒立摆设计了输出反馈自适应控制系统，仿真表明该方法是有效的。     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

综合非线性鲁棒飞行控制系统设计

提出一种综合非线性鲁棒飞行控制系统设计方法,用于解决现代复杂战场环境下的飞行控制问题。为了克服系统的不确定性、时延性以及未建模动态给飞行控制系统带来的不利影响,在动态逆控制法的基础上,进一步设计了基于多层感知器神经网络和动态非线性阻尼控制的综合非线性鲁棒飞行控制器。利用神经网络参数的在线调整和动态非线性阻尼控制的抑制作用,使飞行控制系统能够跟踪给定信号,且满足一定的性能指标。最后将所设计的飞行控制系统用于某型歼击机的飞行仿真,结果证实当存在时延和平尾损伤时,设计的飞行控制系统具有很强的补偿能力。     

一种带智能补偿器的神经网络控制器及其应用

为非线性控制系统设计了一种带智能补偿器的神经网络控制器。神经网络用来提供主要的控制输入信号,网络的训练可离线进行,网络的使用采用联想记忆方法。经神经网络控制器控制后,系统的实际输出值与期望值之间偏差不大,因此可将误差模型方程线性化。针对这一线性化模型,可以设计一个智能补偿器来补偿由于训练精度、干扰及时延等因素引起的系统误差。利用以上设计方法,本文对战斗机的“眼镜蛇”机动飞行控制进行了仿真研究,仿真     

超机动飞行的神经网络动态逆控制

根据反馈线性化理论，讨论了神经网络自适应非线性动态逆控制设计。首先根据时标分离的原则，采用动态逆方法设计了快回路和慢回路控制器；其次提出了模型的神经网络非线性直接自适应控制方案，其中设计一种在线神经网络用于补偿模型逆误差。仿真表明，该控制方案具有较好的自适应能力的鲁棒性。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

一类基于神经网络的非线性时延系统的稳定性分析和控制

针对一类有参数摄动和时延的非线性不确定性系统．提出了一种稳定性分析方法。控制方案将鲁棒控制和神经网络控制结合起来．首先由线性矩阵不等式(LMI)设计了参考模型即系统线性部分的鲁棒控制器,然后用神经网络来消除系统建模不确定非线性部分。稳定性分析中综合了参数摄动、时延和神经网络权值．合理地选择Lyapunov函数证明了误差闭环系统的稳定性．     

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法，给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题，并且克服了传统的控制设计中将过程模型线性化，从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差，通过自组织模糊小脑模型关节控制器(Self—organizing fuzzy cerebellar model articulation controller，SOFCMAC)神经网络在线进行修正。SOFCMAC神经网络扩大了寻优空间，使其能更好地重构系统逆误差，最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究，表明了本文方法的有效性和可行性。     

小波神经网络在板形板厚控制系统中的应用

带材轧制是一个复杂的非线性过程,针对板形和板厚控制相互耦合等特点,本文提出了一种基于小波神经网络的自适应控制新算法。文中系统由两个小波神经网络组成,分别实现综合系统的模型辨识和控制。由于小波变换的紧支性及神经网络的非线性映射能力,模型辨识能准确地辨识板形板厚系统的动态特性,控制器能产生较为复杂的控制规律。仿真结果证明,该板形和板厚控制系统具有良好的自适应跟随和抗扰性能,其控制效果优于传统的解耦PID控制。     

基于模糊径向基神经网络的小型无人机控制系统研究

为保证小型无人机的飞行安全,提出一种由无人机飞行控制器和地面学习单元构成的两层网络学习控制系统架构。无人机飞行控制器采用模糊控制策略,学习单元采用经遗传算法优化的径向基神经网络,充分利用模糊控制和神经网络的各自优势,将模糊控制策略与RBF神经网络相结合提出了一种基于RBF神经网络的自学习模糊控制策略。所设计的飞行控制器用于无人机飞行过程中的姿态控制,仿真及实验结果表明本方法是有效的。     

基于神经网络的一类非线性关联大系统鲁棒滑模分散控制

针对一类具有未知界扰动和子系统部分已知的非线性大系统,结合神经网络逼近方法、滑模控制研究了一种新的分散鲁棒自适应控制方法。所设计的分散控制器分为两部分,一是等效控制器,二是滑模控制器。滑模控制器用来减小系统的跟踪误差,起鲁棒控制作用。文中用神经网络逼近非线性未知函数,将网络权值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。仿真算例证明了所设计的鲁棒分散控制器是有效的。     

神经网络在逆变器控制中的应用

针对传统的基于最优消谐波理论的逆变器 ,应用了一种全新的神经网络控制器。当系统工作时 ,由在线神经网络实时调节逆变器输出电压的大小 ;同时各功率管的开关角由另一个神经网络通过对最优 PWM最优开关角的拟合 ,直接计算出来。整个控制系统具有结构简单、反应灵敏、调压精确、输出电能质量高且全数字化的特点。     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。     

基于模糊神经网络的异步电机速度控制系统

针对矢量控制异步电动机，利用模糊神经网络控制理论．提出了一种教师值指导和隶属函数自调整的模糊神经网络控制器。详细描述了模糊神经网络控制器和教师值控制器的设计过程，采用了隶属函数参数在线调节的办法，推导了隶属函数参数调整的公式和算法，研究了以转矩电流Iqs为目标函数和系统输出转速ω为目标函数的情况下的系统转速响应，分析了系统转动惯量J、粘滞摩擦系数B和转矩系数Kt变化情况下系统的性能，仿真结果表明该控制器具有速度响应快、鲁棒性较强等优点。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能     

基于神经网络非线性时滞系统的鲁棒可靠控制器设计

将一类非线性时滞控制系统中的非线性部分，用一个单隐层神经网络来近似代替，采用线性微分包含（LDI-linear differential inclusion）的方法来线性化该非线性环节，对于线性化所产生的近似误差、时滞和执行机构故障作为系统的一部分设计可靠鲁棒控制器，相关的定理也一并给出。高阶微分和偏微分方程一般是用来解决这类非线性系统的主要方法，文章中提出的可靠鲁棒控制器设计方法克服了以上这些方法求解困难的缺点，仿真示例用设计好的可靠鲁棒控制器与常规极点配置法进行了比较，从而表明了这种方法的有效性。     

压电叠堆主动减振的神经网络PID实时控制

为实现对带有模型尾支杆支撑系统在吹风过程中振动特性的实时控制,以压电陶瓷叠堆为减振元件设计了尾支杆一体化结构;提出了神经网络PID(Proportion-integration-differentiation)实时控制方法,建立了该尾支杆一体化结构的运动方程,推导出神经网络进行系统识别的状态方程,以此为基础进行控制器的设计并基于Labview软件编写控制程序;最后在风洞中,对该控制方法的控制效果进行了试验验证。试验表明利用该控制系统可进行实时控制;对不同风速下激励的振动,控制后的均方根幅值(Root mean square,RMS)减小55%以上,且该控制方法具有良好的鲁棒性、可靠性和容错性。