摘要：本文针对一类含有量化输入和外部扰动的严格反馈非线性系统,提出了一种考虑量化和通信受限的有限时间确定学习控制方法.该方法包含离线学习训练和在线触发控制两个阶段.首先,在离线学习训练阶段采用神经网络对系统中的未知非线性函数进行逼近,引入指令滤波反步技术克服“计算爆炸”的问题,并在控制过程中实现系统未知动态的知识获取和存储.随后,利用所获取的经验知识,设计了基于确定学习机制的在线触发控制器.应用李雅普诺夫稳定性理论证明了闭环系统实际有限时间稳定,跟踪误差在有限时间内收敛到原点的邻域内,并能够排除采样中的芝诺现象.最后,通过飞行器仿真验证了所提方案的有效性.

摘要：针对多自主水下机器人的一致性跟踪问题,提出一种基于新型分布式观测器的一致性跟踪策略.对于具有未知非线性动态的引导者,首先利用确定学习理论将引导者的未知动态表示为具有常数权值的径向基函数神经网络;然后,设计一种新型的分布式观测器,并证明其观测误差能够指数收敛到零的小邻域内;接着,利用观测到的引导者状态信息,通过反步法和动态面技术为每个跟随者设计分布式跟踪控制器,通过Lyapunov稳定性分析,证明闭环系统中所有信号都是最终一致有界的,且跟随者的跟踪误差能够收敛到原点的小邻域内;最后,通过仿真验证所提出方案的有效性.

摘要：针对未开放力矩控制接口的一类封闭机器人系统,提出一种基于外环速度补偿的确定学习控制方案.该控制方案考虑机器人受到未知动力学影响,且具有未知内环比例积分(Proportional-integral,PI)速度控制器.首先,利用宽度径向基函数(Radial basis function,RBF)神经网络对封闭机器人的内部未知动态进行逼近,设计外环自适应神经网络速度控制指令.在实现封闭机器人稳定控制的基础上,结合确定学习理论证明了宽度RBF神经网络的学习能力,提出基于确定学习的高精度速度控制指令.该控制方案能够保证被控封闭机器人系统的所有信号最终一致有界且跟踪误差收敛于零的小邻域内.在所提控制方案中,通过引入外环补偿控制思想和宽度神经网络动态增量节点方式,减小了设备计算负荷,提高了速度控制下机器人的运动性能,解决了市场上封闭机器人系统难以设计力矩控制的难题,实现了不同工作任务下的高精度控制.最后数值系统仿真结果和UR5机器人实验结果验证了该方案的有效性.

摘要：针对产生回归轨迹的连续非线性动态系统,确定学习可实现未知闭环系统动态的局部准确逼近.基于确定学习理论,本文使用径向基函数(Radial basis function,RBF)神经网络为机器人任务空间跟踪控制设计了一种新的自适应神经网络控制算法,不仅实现了闭环系统所有信号的最终一致有界,而且在稳定的控制过程中,沿着回归跟踪轨迹实现了部分神经网络权值收敛到最优值以及未知闭环系统动态的局部准确逼近.学过的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,可以用来改进系统的控制性能,也可以应用到后续相同或相似的控制任务中,节约时间和能量.最后,用仿真说明了所设计控制算法的正确性和有效性.

摘要：针对吸气式高超声速飞行器的飞行控制问题,提出一种基于学习的智能控制方法。为便于控制器设计,将飞行器动力学模型划分为速度子系统和高度子系统:为解决速度子系统控制输入受限的问题,提出一种基于强化学习的智能控制方案;对于考虑有限通信资源的高度子系统跟踪控制问题,提出一种基于事件触发的确定学习控制方案。该方案包含离线学习训练和在线触发控制两个阶段。首先在本地离线学习训练阶段获取并存储系统的未知动态知识,随后利用所获取的经验知识设计基于事件触发机制的在线触发控制器。本文所提方案基于学习的思想将离线学习训练获取的智能体和经验知识应用于在线控制,使得所提方案能够快速计算控制指令且通信资源占用少。仿真结果说明了所提出方法的有效性。

摘要：针对自主水下航行器平面轨迹跟踪控制的学习能力问题,采用RBF神经网络设计了一种结合反步法和确定学习理论的自适应神经网络控制器,在满足持续激励的条件下,对系统未知动态进行神经网络辨识,实现了对未知动态的局部准确逼近和部分神经网络权值的收敛,保证了系统所有信号最终一致有界和稳定。将从动态模式中学到的知识静态保存,提取存储知识设计学习控制器,实现了对参考轨迹更加快速精确地跟踪,为执行同样的任务节省了时间和能量。通过仿真验证了所设计学习控制器的有效性和优越性。

摘要：传统自适应控制方法存在计算过于复杂、控制器奇异性的问题。为了解决这些问题,采用了一种简单的自适应控制方法,以保证电力系统中所有信号的有界性和有限时间内跟踪误差的收敛性。主要思想是将控制过程中的稳定闭环系统分解为一系列具有适当状态变换的线性时变扰动子系统,利用递归设计方法,建立了径向基函数神经网络的部分持续激励条件,保证了扰动子系统的指数稳定性。因此,在闭环信号循环轨道的局部区域内实现了闭环系统动力学的精确逼近,在闭环反馈控制过程中所学习的知识可以被重复利用,从而避免了在自适应控制过程中大量重复训练的过程。仿真结果表明了该方法的有效性。

摘要：针对系统参数完全未知且仅输出可测的机器人,使用径向基函数(RBF)神经网络和高增益观测器设计了一种自适应神经控制算法.该算法不仅实现了闭环系统所有信号的最终一致有界,而且沿周期跟踪轨迹实现了对未知闭环系统动态的确定学习.学过的知识可用来改进系统的控制性能,也可应用于后续相同或相似的控制任务以节约时间和能量.仿真研究表明了所设计的控制算法的正确性和有效性.

摘要：使用径向基函数(Radial basis function,RBF)神经网络为参数完全未知的机械臂在关节空间设计一种新的自适应神经控制算法。以前的自适应神经控制算法对神经网络能否学习到系统未知动态很少进行研究,因为不满足持续激励(Persistentexcitation,PE)条件,神经网络权值的收敛性不能得到保证,以至对于重复执行相同的工作任务,自适应神经控制器也不得不进行冗余而繁琐的重新训练,浪费时间和能量。所设计的自适应神经控制器不仅实现了闭环系统所有信号的最终一致有界,而且在稳定的控制过程中,沿着周期或回归跟踪轨迹实现了部分神经网络权值的收敛以及未知闭环系统动态的局部准确逼近,即确定学习。学过的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储,可以用来改进系统的控制性能,也可以应用到后续相同或相似的控制任务中,节约时间和能量。仿真验证了所设计控制算法的正确性和有效性。

摘要：本文针对一类严格反馈非线性系统,提出了基于确定学习的事件触发控制方案.首先,在本地控制测试端设计自适应神经网络控制,并在控制过程中实现系统未知动态的知识获取和存储.随后,基于常值权值,设计了新颖的事件触发控制器和事件触发条件.结合李雅普诺夫稳定性分析和非线性脉冲动态系统原理,验证了所提方案能够保证跟踪误差收敛到零的小邻域内以及所有闭环信号是最终一致有界的.此外,本文所提方案采用常值权值代替了估计权值,使得所提方案易于实现,暂态性能好和网络资源占用少.最后,通过对比仿真结果证明了所提方案的有效性.