BTT导弹的大系统变结构控制方法

将BTT导弹控制系统表示成具有非匹配不确定性大系统的形式，利用反演设计方法处理系统中的非匹配不确定性．用变结构控制方法来改善系统的性能，然后，利用Lyapunov稳定性定理证明了闭环系统的信号最终一致有界且系统的状态指数收敛于滑模超平面。最后．仿真验证了所提出方法的正确性和有效性。     

基于多层前向神经网络的块控制器设计

针对一类非匹配不确定性的线性系统,基于块控原理,提出了一种结合块控制、神经网络控制和backstopping控制技术的设计方法.其特点是无须已知不确定性的界,利用反演设计方法来处理系统中的非匹配不确定性,利用多层前向神经网络来估计系统中的不确定性,再利用鲁棒控制方法来改善系统的性能.利用Lyapunov稳定性定理证明了系统的渐近稳定性.最后,给出的仿真实例证明了所提出的方法的正确性和有效性.     

非线性自适应神经网络控制器设计

在系统存在非匹配不确定性和输入未建模动态的情况下,提出了一种基于RBF神经网络和反演控制技术的非线性自适应控制系统的设计方法.应用RBF神经网络辨识系统中存在的不确定性,利用反演控制技术,设计了非线性自适应控制器,成功地处理了非匹配不确定性.同时动态非线性阻尼项的引入使得系统对未建模动态具有很强的鲁棒性,并应用Lyapunov稳定性理论,证明了系统跟踪误差、RBF神经网络参数误差全局渐近收敛于原点的一个邻域.最后给出的BTT导弹非线性六自由度数字仿真结果,显示了该设计方法的有效性.     

双滑模变结构控制在导弹加速度控制中的应用

基于双滑模变结构控制理论,对切换面的选取和控制量的切换规律做了进一步的分析,提出两个切换面可以分开单独设计,通过状态反馈保证在滑模区上的稳定性;在具有非匹配不确定性的情况下,证明了控制量的设计能够满足滑模控制的可达条件;提出了更简单的控制律设计方法,保证状态轨迹分别在两条滑模区上来回切换,降低了控制量振动频率.用动态平衡的方法,通过控制导弹的平衡迎角达到了控制加速度的目的.针对某型导弹纵向回路线性模型和非线性时变模型进行了仿真研究,结果证明了设计的可行性和有效性.     

导弹非线性自适应鲁棒控制系统设计

提出了一种基于全调节RBF神经网络的导弹非线性自适应鲁棒控制系统的设计方法，应用全调节RBF神经网络在线辨识系统中存在的不确定性，利用反演和鲁棒控制技术设计了导弹控制系统，成功地处理了非匹配不确定性，并在虚拟控制中引入了微分阻尼项，有效地改善了系统动态性能。最后，应用Lyapunov稳定性理论推导出RBF神经网络各参数的调节律，并证明了系统状态全局渐近收敛于原点的一个邻域，仿真结果验证了该设计方法的有效性和可行性。     

空空导弹自动驾驶仪的反演变结构设计法

首先,将空空导弹的数学模型处理成为具有非匹配不确定性标准的反演设计问题,再将其变换为易于设计变结构控制规律的规范型。利用小脑关节神经网络（ＣＭＡＣ）估计系统中的不确定函数,利用ＣＭＡＣ神经网络和多面滑模技术估计出变换后系统的状态,最后,利用变结构控制技术设计出空空弹控制系统的控制器,给出的仿真结果显示了本文方法的有效性。     

一类非线性系统的反演变结构控制及应用

针对一类非线性系统 ,将其变换为易于设计变结构控制规律的规范型。利用小脑关节神经网络( CMAC)估计系统中的不确定函数 ,利用 CMAC神经网络和多面滑模技术估计出变换后系统的状态 ,最后利用变结构控制技术设计出控制器 ,特点是无需已知不确定性函数及其各阶导数的上界 ,与经典设计方法相比 ,所提出的方案允许非参数化不确定性。最后将此方法应用于空空弹控制系统的设计中 ,仿真结果表明了该方法的有效性     

平流层飞艇定点控制器设计

基于滑模变结构控制对系统干扰及参数变化具有完全的自适应性或不变性,采用一类不确定仿射非线性系统在满足匹配条件下输出解耦变结构控制方法设计了飞艇的定点控制律.仿真结果表明:在系统存在不确定性或外界干扰的情况下,仍可使飞艇稳定在一定的位置,从而实现飞艇的定点控制.     

反舰导弹基于反演的滑模控制

首先介绍了非线性系统的反演设计方法,提出了一种基于反演的滑模控制方法。它可解决非线性系统的不匹配不确定性问题。该方法通过在反演设计中引入滑模控制来改进反演的最后一步算法,并简化控制器的设计。针对新型反舰导弹参数时变、不确定、非线性的特点,采用了基于反演的滑模控制来设计其控制系统。最后,进行了仿真研究,仿真结果证明了所提出的方法的有效性。     

基于RBF神经网络的机器人鲁棒自适应控制器没计

在考虑机器人系统中存在的模型不确定性的情况下,提出了一种基于RBF神经网络和反演技术的鲁棒自适应控制器的设计方法.首先,通过状态变换将机器人的模型转换为适用于反演技术的形式;然后,利用反演技术设计了鲁棒自适应控制器,用两个RBF神经网络分别对模型的不确定性进行了处理,并用Lyapunov稳定性理论推导出RBF神经网络的权重矩阵调节律以及相关的鲁棒项,证明了系统的全局稳定性;最后,进行了相应的仿真研究,验证了设计的正确性和有效性.