摘要：针对一类建模过程中考虑不确定项的大气层内拦截弹,提出一种设计简单、高鲁棒性的拦截末段制导律。根据平面内拦截弹-目标的相对运动方程,引入拦截弹的一阶动力学模型,将系统建模误差和目标未知信息看作不确定项,建立下三角型非线性系统方程。应用自适应动态面控制方法设计新型制导律,解决系统输入与不确定项的非匹配问题,避免制导律中调整参数多、微分膨胀现象,且制导律阶数低,有利于工程化实现。稳定性分析说明控制器参数的合理选择满足系统稳定性要求。仿真结果说明该制导律具有缩短拦截时间、提高系统鲁棒性的特点。

摘要：针对多自由度机械臂控制系统的模型参数误差、关节摩擦力以及外部输入扰动等不确定项,设计了一类一阶误差估计律;结合基于机构动力学名义模型的输入输出反馈线性化控制算法,对六自由度刚性机械臂的时变轨迹跟踪控制进行了研究,理论上证明了设计的鲁棒控制器是全局渐进稳定的。仿真结果表明该控制策略对系统的各类不确定项具有很好的鲁棒性,能够实现高精度的轨迹跟踪控制。

摘要：基于一类线性系统的圆盘极点配置问题,提出了系统不确定项容忍区间的概念.利用系统不确定项单一偏差模型,给出了圆盘极点配置不确定项容忍区间的算法.系统设计者可以依据各不确定项的增益容忍区间,判断出各不确定项对闭环系统极点变化的影响程度,在工程设计中,根据其影响程度既可以降低设计的保守性来减少能源的浪费,同时也可设计出具有较高安全性能的系统.

摘要：在线性系统中基于Lyapunov稳定性理论,讨论了双不确定项同时波动时其容忍区间的算法,并结合闭环极点配置和线性矩阵不等完成圆盘极点配置问题中系统不确定项的冗余设计。数值仿真验证了本文控制器设计方法的可行性。

摘要：针对机械手控制系统中的不确定因素，提出了RBF神经网络逼近不确定项的自适应控制策略。在逆动力学计算力矩方法的基础上，设计了鲁棒自适应控制器。利用RBF神经网络对模型中的不确定项分块进行逼近，并用Lyapunov稳定性理论建立了网络权重自适应学习律，证明了系统的全局稳定性；最后进行了仿真，结果表明该方法能够有效的消除模型不确定性的影响，准确地实现了轨迹跟踪。

摘要：针对机械手控制系统中的不确定因素,提出了RBF神经网络逼近不确定项的自适应控制策略。在逆动力学计算力矩方法的基础上,设计了鲁棒自适应控制器。利用RBF神经网络对模型中的不确定项分块进行逼近,并用Lyapunov稳定性理论建立了网络权重自适应学习律,证明了系统的全局稳定性;最后进行了仿真,结果表明该方法能够有效的消除模型不确定性的影响,准确地实现了轨迹跟踪。

摘要：研究了一类含不确定项的离散混沌系统的同步控制.通过构造动态补偿器,给出了一个新的同步控制器设计方法,从而有效地抑制了不确定项的影响.由于不使用Lyapunov函数,避开了复杂的求导和放大运算,计算简单.该方法也可以用来解决其他类型的混沌系统的同步问题.最后,用仿真算例验证了所给方法的有效性。

摘要：针对柔性机械臂在运动过程中受到柔性因素的影响会出现剧烈振动的问题,提出一种采用径向基(RBF)神经网络辨识的柔性机械臂抑振控制策略,通过减弱机械臂转角波动的方式间接抑制振动。首先,根据拉格朗日原理和假设模态法建立柔性机械臂的动力学模型,其中的不确定项由模态坐标和转角耦合的非线性项构成;其次,在控制律的设计中采用RBF神经网络对动力学模型的不确定项进行辨识补偿,从而提高驱动力矩的精度;最后,通过调整神经网络权重自适应律的系数,使包含辨识结果的控制律满足李亚普诺夫稳定性定理,从而保证动力学系统的稳定性,其中权重自适应律由高斯函数和误差向量组成。采用柔性机械臂实物控制平台的对比实验结果表明:所提出的控制策略能够有效减小柔性机械臂的转角误差和振动幅值;当柔性机械臂长度为1.5 m时,相比常规比例微分控制策略,采用RBF神经网络辨识的控制策略使机械臂末端振动敏感方向的加速度的方差下降了5.8%。该控制策略为柔性机械臂的振动抑制提供了新思路。

摘要：针对非线性系统的不确定项和外部干扰问题,提出了一种有限时间扩张状态观测器的设计方案,实现了非线性系统不确定项和外部干扰的有限时间估计。与传统的线性扩张状态观测器相比,有限时间扩张状态观测器基于终端滑模的思想而设计,其非线性项的引入保障了扩张状态的有限时间估计,进而辅助设计控制器,可以提高系统的鲁棒性能。利用Lyapunov有限时间稳定性理论得到该观测误差系统收敛的充分条件。最后,实例仿真进一步验证了该策略的有效性。

摘要：针对弹道导弹推力矢量控制系统的快速性和鲁棒性要求,采用变结构控制方法设计了三通道的推力矢量控制系统。建立了弹道导弹三通道姿态运动的动力学模型,将通道间的耦合项及外界干扰作为不确定项,采用了变结构控制方法进行补偿,并采用了自适应算法来更新变结构控制参数,对不确定项的上界进行估计,从而提高了控制系统的鲁棒性。仿真结果表明,所设计的推力矢量控制系统具有很好的控制效果。