摘要：为降低鲁棒非线性模型预测控制方法中优化问题的实时求解难度,提出一种基于深度学习的近似鲁棒控制器方法。利用复杂的鲁棒非线性模型预测控制算法作为训练数据的生成器,以当前时刻的过程状态作为网络的输入,复杂控制算法计算的最优控制输入作为网络的输出,基于深度神经网络学习复杂的非线性模型预测控制策略。通过一个工业半间歇聚合反应器模型案例验证了所提方法的有效性,深层网络与浅层网络相比具有更好的效果。

摘要：针对具有马尔可夫切换信道的两自由度(2-DOF)四分之一汽车悬架系统,研究了事件触发H_∞滤波问题.首先,信道切换由马尔可夫链控制;其次,考虑到事件触发的通信方案,由于有限的网络带宽,产生信号量化和随机丢包问题;然后,采用马尔可夫线性跳变系统模型来表示整个滤波网络系统.利用Lyapunov泛函和线性矩阵不等式方法将事件触发H_∞滤波问题转化为凸优化问题,从而设计了切换信道相关的滤波器,使得滤波误差系统在均方意义上是指数稳定的并达到期望的性能水平.最后,通过仿真实例验证了所提出的设计方法的有效性.

摘要：本文主要研究在随机出现的双通道DoS攻击下的网络控制系统基于事件触发的安全控制问题.首先,提出了一个具有补偿策略的DoS攻击模型,且此攻击模型应用于网络系统的传感器-控制器通道和控制器-执行器通道;其次,为了降低通信负担,提出事件触发机制,通过定义一个触发条件,当触发条件满足时,才进行信息传递;最终得到闭环控制系统模型.根据最优控制理论和线性矩阵不等式技术,得到闭环系统以一定概率输入到状态稳定的充分条件,进一步通过一系列矩阵变换处理技巧,通过解线性矩阵不等式方程组得到控制器参数.最后,通过计算机仿真验证了该控制器设计的有效性.