基于迭代学习观测器的容错控制

提出了一种基于迭代学习观测器(ILO)将故障检测和容错控制进行统一设计的方法。迭代学习观测器不仅可以用于进行状态估计和故障检测,而且可以用于获得控制输入调节项并进行故障估计。设计重构控制律的基本思想是利用估计状态和控制输入调节项来补偿故障引起的影响。文中还给出了特定假设条件下闭环重构控制系统稳定性的严格证明。理论分析和仿真研究表明,所提的方法是有效的并可保证闭环系统具有良好的重构性能．     

一种基于遗传算法的机器人补偿学习控制方法

机器人建模的不精确性以及一些扰动的存在给机器人控制增加了相当大的难度。针时这一问题，本文以PUMA560机器人为被控对象，给出了一种PUMA560机器人动力学模型的简化形式，采用PD控制的计算力矩法，得到了机器人的闭环动态误差方程，在此基础上设计了机器人的控制器结构，提出了一种新的基于遗传算法(Genetic algorithm，GA)的机器人补偿学习控制方法。将GA与计算力矩法相结合，利用进化学习来消除机器人中不确定因素的影响，实现时机器人轨迹跟踪的良好控制。最后给出了这种控制的仿真结果，验证了该方法的有效性。     

机器人务控制研究综述

回顾了机器人控制研究历史及目前的力控制研究现状，详细分析了现有的四种研究策略：阻抗控制，力／位混合控制，自适应控制策略，智能控制新策略；阐述了作者提出了“力／位并环控制”的智能新策略；提出了机器人力控制的四大关键问题：位置伺服，碰撞冲击及稳定性，未知环境的约束，力传感器，文末展望了力控制研究的发展趋势－智能控制。     

基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

力控制反馈信号的神经网络法校正

对机器人的力反馈，主动柔顺控制和双向联想记忆的神经网络进行了综合研究，针对机器人腕力传感器输出信号的部分失真，提出了机器人擦洗平面玻璃力反馈信号神经校正的方法，并建立了相应的神经网络结构，在ＡｄｅｐｔＴｈｒｅｅ精密装配机器人上进行了试验验证，取得了满意的效果。     

基于奇异摄动与神经网络的柔性臂控制

运用拉格朗日法建立了臂杆柔性的机械臂的动力学方程。为解决柔性臂末端位置的跟踪及克服柔性臂在运动中的振动问题。运用奇异摄动法将系统分解成快、慢两个子系统，设计混合控制器。通过设计神经网络控制器线性化慢系统。使其轨迹跟踪期望值。用线性状态反馈配置极点稳定快系统，抑制振动。一个单杆柔性机械臂的仿真算例表明，本文的控制方法保证了柔性臂刚性运动的精确跟踪，同时消除了弹性振动，避免了零动力学不稳定问题。     

基于自组织与LVQ神经网络的足球机器人协作策略学习

足球机器人系统目前已成为人工智能应用技术研究的重要实验平台，系统的核心部分就是决策子系统。本文主要研究机器人足球比赛中协作策略的学习问题，采用了自组织与学习向量量化（LVQ）神经网络算法实现了两个足球机器人的传球学习。提出了一种协作策略学习的改进算法。该算法通过对网络权值矩阵进行改进，可以显著提高网络的训练质量。仿真和实验结果表明了该方法的可行性与有效性。     

测量数据部分丢失的非线性系统迭代学习控制

研究非线性离散系统的迭代学习控制．利用并行分配补偿方法(PDC)确定非线性系统的T-S模型,把非线性模型特换为局部线性模型。假定数据丢失的概率已知,采用满足Bernoulli分布的序列来描述测量数据的丢失,研究具有测量数据部分丢失的线性离散系统的迭代学习控制器的设计。结合T-S模型设计了数据丢失的迭代学习控制器,所设计的迭代学习控制器具有期望收敛特性和二次型性能指标。仿真结果表明了该设计方法的有效性。     

基于改进型BP神经网络多关节机器人逆向运动学求解

提出采用一种3层改进型快速BP神经网络(Modified fast BP neural network,MFBPNN)求解一个5自由度多关节机器人逆向运动学问题。使用正向运动学计算获得的样本向量进行离线学习,然后充分利用人工神经网络的泛化特性,实现了机器人末端作用器位姿到各个关节转角变量之间的非线性映射。仿真结果表明,采用MFBPNN算法以后,绝对误差不超过0．005°,计算精度和处理速度能够满足机器人实时控制的要求,并且可以应用于机器人路径规划控制场合。     

遥操作机器人神经网络Smith预估控制(英文)

针对遥操作机器人通讯通道中存在的时延 ,提出了一种神经网络 Smith预估控制方法。控制系统适合于时延不变但未知的情况。控制系统包括主控制器和从系统两部分。从系统采用动态神经网络辨识机器人的动态模型 ,神经网络权重在线学习 ,用神经网络的输出对非线性系统进行局部非线性补偿 ,将非线性系统线性化。主系统针对线性化的从系统 ,采用 Smith预估控制解决时延问题并保证系统的性能品质。通过李雅普诺夫稳定理论保证了时延控制系统的稳定性。对两关节机器人的仿真结果说明了该方法的有效性。     

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。     

机器人力控制研究综述

回顾了机器人力控制研究历史及目前的力控制研究现状；详细分析了现有的四种研究策略：阻抗控制、力／位混合控制、自适应控制策略、智能控制新策略；阐述了作者提出的“力／位并环控制”的智能新策略；提出了机器人力控制的四大关键问题：位置伺服、碰撞冲击及稳定性、未知环境的约束、力传感器；文末展望了力控制研究的发展趋势——智能控制。     

飞行航迹动态逆跟踪控制的神经网络方法

针对用动态逆方法设计飞行控制系统在极慢模态设计中所遇到的完全非线性问题，以及飞行器在执行低空突防任务时所面临的程度无法精确控制的条件，提出了一种以前向神经网络为核心的解决方案。文中给出了神经网络的拓扑结构、样本采集方法以及动态逆控制器的构造方法，仿结果表明，该方案具有良好的指令跟踪能力。     

直升机神经网络反馈线化飞行控制

以SH－2G为控制对象，采用基于神经网络的非线性系统反馈性化控制方法，进行直升机机动飞行仿真，仿真结果表明，所设计的神经网络具有逢适应能力，能够在线补偿反馈线性化所产生的逆变换误差，这种方法无须获得动态逆模型，而只需某一个状态下的动力学模型，就能在全包线提供有效的控制，既避免了传统方法的增益调参，又解决了难以获得动态逆模型及计算量大的问题，是一种很有发展潜力的智能控制方法。     

基于T-S模糊模型和迭代学习观测器的飞行系统故障容错控制

针对执行器失效的一类飞行控制系统,提出基于迭代学习观测器的模糊容错控制律,利用Takagi-Sugeno(T-S)模糊模型对非线性系统进行描述、建模和控制.一旦系统发生故障,迭代学习观测器在估计系统状态的同时估计执行器的卡死值,然后利用估计的状态和故障信息构成反馈模糊控制律进行调节,以实现故障系统对参考系统的状态跟踪.给出了系统能进行容错控制的参数匹配条件,并利用Lyapunov理论详细分析了系统的稳定性以及闭环系统信号的有界性,某歼击机的仿真实例证明了本文方法的有效性.