摘要：针对一类含有非匹配不确定性的块控型多输入多输出非线性系统,提出一种基于反演技术和RBF神经网络的控制系统设计方案.通过引入一种改进型的Lyapunov函数,避免了控制矩阵未知情况下可能出现的奇异问题.在控制系统设计过程中,充分应用鲁棒自适应控制技术,解决了多输入多输出结构不确定性所带来的设计难题,得到了系统所有状态量将全局指数收敛至原点附近一个邻域的结论.最后的仿真结果表明了设计方案的正确性.

摘要：针对一类时变参数化非线性系统的控制问题进行深入研究,提出一种新的迭代神经网络估计器,并证明了其逼近引理,实现了对时变不确定性的逼近.在用迭代神经网络对时变不确定性进行估计的同时,以Lyapunov稳定性理论为基础,综合运用Backstepping和自适应控制技术,设计了自适应迭代学习控制器,并进行了稳定性分析,得到了稳定性定理,解决了这类时变非线性系统的控制问题.最后的仿真实验验证了所提出设计方法的正确性.

摘要：对一类控制方向未知的不确定严格反馈非线性系统的预设性能自适应神经网络反演控制问题进行了研究.系统中含有时变非匹配不确定项且控制方向未知.首先,提出了一种新的误差转化方法,放宽了对初始误差已知的限制;随后,利用径向基函数(radial basis function,RBF)神经网络及跟踪微分器分别实现了对未知函数和虚拟控制量导数的逼近,并综合运用Nussbaum函数和反演控制技术设计了控制器.所设计的控制器能保证系统内所有信号有界且输出误差满足预设的瞬态和稳态性能要求.最后的仿真研究验证了控制器设计方法的有效性.

摘要：针对一类含有非周期时变参数化不确定性的非线性系统,设计了一种新的迭代神经网络估计器,解决了非周期时变不确定性带来的设计难题。用迭代神经网络直接对期望控制量进行整体逼近,利用Lyapunov稳定性理论和自适应迭代学习控制技术设计了控制器,并进行稳定性分析,证明了系统所有状态量有界,且输出量将收敛至期望轨迹的一个邻域内。仿真结果验证了控制器设计方案的正确性。

摘要：对一类控制方向未知的时变非线性系统的控制问题进行了研究.首先,设计了一种迭代神经网络估计器,并通过推导得到了逼近引理,实现了对时变不确定性的逼近;然后,提出了用迭代神经网络逼近时变不确定性,用Nussbaum函数估计未知控制方向的总体设计思想.利用李雅普诺夫稳定性理论和自适应迭代学习控制技术设计了控制系统,并进行稳定性分析,得到了稳定性定理,解决了这类系统的控制问题.仿真结果验证了控制系统设计方法的正确性.

摘要：针对一类含参数不确定性的输入和状态受限的非线性系统,提出一种受限指令预设性能自适应反演控制器设计方法.采用自适应反演方法,同时考虑输入和状态受限构建受限指令滤波器,以解决"计算膨胀"的问题;引入伪控制减缓方法对误差进行补偿;最后考虑了补偿跟踪误差的瞬态性能.通过Lyapunov理论对所设计的控制器进行稳定性分析,并通过仿真实例验证了所提出方法的正确性和有效性.

摘要：针对极值搜索控制系统(Extremum seeking control systems,ESCSs)设计中,极值搜索算法与控制器采取单独设计时易导致系统难以发挥其最佳性能,而现有的一体化设计方法却存在需要根据被控对象和具体的极值搜索算法进行不同形式的一体化建模的问题,以块控型的极值搜索控制系统为研究对象,提出了一套通用的极值搜索控制系统的一体化控制方法.首先针对块控型极值搜索控制系统,采用反馈线性化设计思想,构建出系统的伪虚拟控制量;然后以极值搜索算法得到的搜索变量作为其输入量,设计多层神经网络(Multilayer neural networks,MNNs)逼近由近似模型与实际模型之间的差异而导致的误差项、状态变量的极值和极值的变化率,同时运用自适应参数和鲁棒项函数抵消神经网络逼近误差的影响;最后利用反演控制方法求取出系统的虚拟控制量和实际控制量.此一体化控制方法确保系统的状态跟踪误差、输出量与其极值之间的误差、极值搜索变量的跟踪误差以及神经网络各参数的估计误差均有界且指数收敛至系统原点的一个有限邻域内,且理论分析和仿真结果都验证了此方法的有效性.

摘要：针对传统多变量极值搜索算法达到稳定状态时存在输出颤振的问题,设计了一种利用梯度信息构造的激励信号幅值自适应调节律,该调节律使激励信号幅值随系统趋向于稳定状态时逐渐趋向于零.采用平均化方法构造了平均化系统,证明了幅值自适应调节的多变量极值搜索算法的稳定性,给出了控制器参数的选取条件.对比传统多变量极值搜索算法进行仿真,仿真结果证明:幅值自适应调节的多变量极值搜索算法可有效减弱稳定状态输出颤振,提高稳定性和准确性.

摘要：针对传统极值搜索控制系统设计中,极值搜索算法与控制器采取单独设计易导致系统难以发挥其最佳性能的问题,提出一套极值搜索控制系统的一体化设计方法.此方法充分考虑到系统的非线性和不确定性,建立了极值搜索算法与被控对象的一体化设计模型,运用终端滑模切换面和相应的控制策略,使极值搜索算法在较短时间内搜寻到系统的最优值,而且其输出值可很快收敛至此最优值.理论分析和仿真结果分别验证了此方法的稳定性和有效性.

摘要：对一类二阶严格反馈时变非线性系统的自适应迭代学习控制问题进行了研究.系统中含有非周期时变参数化不确定性且控制方向未知.首先,提出了一种神经网络估计器,实现了对未知非周期时变非线性函数的逼近.随后,用Nussbaum函数对未知控制方向进行了自适应估计,并综合应用backstepping技术和自适应迭代学习控制技术设计了控制器.所设计的控制器能保证系统所有状态量在Lpe–范数意义下有界,且系统的输出量在L2T–范数意义下收敛到期望轨迹.最后的仿真研究证明了控制器设计方法的有效性.