一、一种未知非线性系统的自适应神经网络控制方法（论文文献综述）
刘凯悦[1]（2021）在《复杂系统的解耦内模与事件触发故障补偿控制》文中指出随着社会的发展以及科学技术的进步,过程工业领域中对于控制品质的要求越来越高。同时,由于设备元器件数量以及系统复杂度的增加,使具有高品质性能的控制器设计愈发具有挑战性。本文针对过程工业被控对象具有多变量、强耦合、时滞、右半平面（Right Half Plane,RHP）零点、未知非线性、系统资源有限以及执行器易发生故障的特点,当存在外界干扰以及模型参数不确定时,开展倒置解耦（Inverted Decoupling）内模控制（Internal Model Control,IMC）方法以及事件触发（Event-triggered）控制方法的研究。本文主要工作如下:1、将倒置解耦方法推广到带有多时滞、多RHP零点的多维复杂系统中,首次对解耦器存在的必要条件进行了理论分析与推导,在满足该条件前提下讨论了解耦矩阵元素的设计步骤以及可实现性问题,并提出了针对右半平面零点的近似补偿方法;所提出的方法不受系统形式的限制,同时适用于方形系统以及非方形系统,且解耦器具有计算简单、形式灵活的优点;2、将传统的巴特沃斯（Butterworth）滤波器进行改进,设计改进型巴特沃斯滤波器,并将改进前与改进后滤波器的特性进行对比分析,表明了改进型滤波器具有更好的调节性能,可以实现闭环系统跟踪性能与鲁棒性的良好折衷,并分析滤波器设计参数变化对系统性能的影响;随后利用内模控制的经典结构,将改进型巴特沃斯滤波器作为内模滤波器,进行内模控制器的设计,并基于闭环系统性能研究控制参数选取方法;3、将分数阶理论引入到内模滤波器的设计中,设计了分数阶改进型巴特沃斯滤波器;进而考虑实际计算机控制系统的需要,对滤波器离散化方法进行研究,得到了离散分数阶改进型巴特沃斯滤波器;之后基于被控过程离散传递函数矩阵模型,利用内模控制结构对控制器进行设计,提出了基于分数阶改进型巴特沃斯滤波器的离散内模控制器。分数阶滤波器的引入更加精确地满足了内模滤波器阶次的要求;4、考虑过程工业系统中的非线性特性,利用径向基函数（Radial Basis Function,RBF）神经网络实现对未知非线性函数的逼近,并通过预设性能指标误差变换将误差始终约束在预设的性能指标函数边界内。结合切换阈值事件触发机制（Switching Threshold Event-triggering Mechanism,SWT-ETM）设计自适应神经网络事件触发控制器（Event-triggered Controller,ETC）,使系统误差能够始终按预设性能指标收敛的同时可以降低系统通信压力,减小执行器负担;5、对于系统执行器可能发生的未知故障,利用自适应方法对故障参数加权求和的上界进行估计,能够避免直接对故障参数估计所造成的系统震荡;在设置执行器冗余的条件下,结合切换阈值事件触发机制设计自适应神经网络事件触发故障补偿控制器。由于事件触发机制的引入可以降低系统通信负担,减少执行器不必要的操纵,从而所提出的控制方法对执行器故障成功补偿的同时也尽量降低潜在执行器故障的发生率,提高执行器工作的可靠性。
焦珊珊[2]（2021）在《气动位置伺服系统神经网络控制方法研究》文中研究说明气动位置伺服系统采用空气作为介质,其结构简单、安全可靠、反应迅速等突出优点使它得到广泛关注,从汽车、地铁的开关门到人工呼吸器再到气动机器人,气动位置伺服系统在自动化各行业有着举足轻重的地位。由于气体存在可压缩,性的特点且气动位置伺服系统受到非线性的阀口流动及气缸存在摩擦力等因素的影响,给创建气动伺服系统的精确模型带来了重重困难,这给依靠模型的传统控制方法设计带来了困难。同时,气动系统时变的工作点和未知的外部扰动等因素的影响,导致气动系统的轨迹跟踪控制更加复杂。因此,研究如何实现气动位置伺服系统高性能跟踪控制对于拓展气动位置伺服系统的运用有重要的意义。在允分考虑气动位置伺服系统实际约束的情况下设计控制器,期望能够提高系统跟踪控制性能。本文以Festo公司的气动位置伺服实验系统为对象,分别设计控制器如下:（1）针对气动位置伺服系统模型未知问题,利用神经网络的逼近能力实现对未知光滑函数的处理。本课题分别采用小波神经网络（WNN）、径向基函数（RBF）神经网络、模糊神经网络（FNN）对气动系统模型中的未知函数进行辨识。结合Nussbaum函数解决气动位置伺服系统控制方向未知的问题,将不精确的比例阀零点也作为一种不确定性,结合反步设汁法设计了自适应神经网络控制器,利用 Lyapunov理论进行了稳定性分析,确保了整个系统的稳定性。根据实验结果可以得出:采用本课题所设汁的各种神经网络控制器在气动位置伺服系统控制方向未知情况下均可以实现对于参考信号的轨迹跟踪。（2）考虑到气动系统存在实际状态受限,忽略系统状态受限所设汁的控制器可能会导致设备损坏或预期性能下降。因此,在考虑气动系统未知模型、未知比例阀零点、未知控制方向的情向的情况后,本课题综合考虑系统状态受限来设计控制器以提高系统跟踪精度。控制器采用径向基函数网络辨识系统未知模型、未知扰动、未知阀零点,采用Nussbaum函数处理控制方向未知问题,采用障碍李亚普诺夫函数（BLF）处理系统状态受限的问题。最后结合Lyapunov理论和杨氏不等式证明了被控系统的稳定性。最终,对比其它实验结果可以看出系统的性能有显着提高。（3.）在考虑未知模型、未知阀零点、未知扰动、未知控制方向和状态受限的基础上,本课题进一步考虑系 饱和 线性特性、电磁阀的滞回特性等在以往气动伺服系统设汁时通常被忽略的非线性特性设计自适应神经网络控制器,并进行了实验研究,对比实验结果可以看出,考虑不同的非线性特性和约束条件对气动位置伺服系统的跟踪控制性能的影响不同,充分考虑各种约束和特性的情况下,可以获得更好的气动位置伺服系统的跟踪性能。通过本文实验研究工作表明:滞回特性对系统跟踪性能影响最大,输入饱和特性次之,状态受限第三。本文研究工作通过实验验证了各种非线性特性和约束条件对跟踪性能的影响,这个工作在能够查到的文献中未进行系统研究。本文将气动位置伺服控制系统作为应用平台,充分考虑实际系统的未知因素和约束,设计了基于神经网络的轨迹跟踪控制器,控制器在复杂度不大幅增加的情况下,能够考虑更多约束条件和未知因素获得更好的跟踪控制效果,为扩展气动伺服系统应用奠定了良好基础。
包家磊[3]（2021）在《基于径向基神经网络的反步控制及其在遥操作系统中的应用》文中研究指明近年来,随着工业技术的发展,工程控制应用中对控制方法的要求也逐渐提高。工程被控系统中往往存在模型不确定性、非平滑特性以及时滞特性等现象,使得传统的控制方案难以满足实际控制任务的需求。基于径向基神经网络的自适应反步控制方法由于其能够很好地处理系统的非线性不确定性,在非线性系统的控制领域吸引了研究者们的广泛关注,并且已经在多种工程控制场景下得到了应用。本文在国内外已有研究成果的基础上,进一步探究基于径向基神经网络的自适应反步控制方法的理论研究,并且将其应用在机械臂系统与双边遥操作系统的控制任务中。本文的研究工作主要有以下几个方面:（1）研究一类纯反馈结构的高阶非线性系统的跟踪控制问题。在假设系统的非线性函数为连续性函数的前提下,利用中值定理将纯反馈结构的高阶非线性系统解耦为严格反馈形式,并在此基础上利用反步控制法对系统进行控制器的设计。在反步控制法的框架下,以径向基神经网络来近似系统中的未知项,将系统存在的不确定性非线性问题转化为径向基神经网络的参数更新问题。并以有限时间稳定理论作为对系统进行控制器设计的性能指标,提出了一种能使被控系统在有限时间内稳定的控制方案。在该控制方案的作用下,被控系统能够快速地达到稳定状态,且系统的输出信号能够以较为理想的精度去跟踪参考信号。另外,由于考虑了输入死区现象对系统性能的影响,该控制方案相较于传统控制方案更加能够满足实际控制任务的需要。（2）针对机械臂系统,提出了一种输出受限的有限时间稳定控制方案。机械臂系统是工程控制中最常见的一类控制系统。机械臂系统的相关控制问题虽然已被广泛研究,但是依然存在许多亟待解决的问题。由于对工作效率的要求,机械臂系统往往需要在高速运动状态下工作,而高速运动状态下容易产生较大的过冲,这对系统的控制精度又会产生影响。在考虑机械臂系统高速运转的工作要求下,对其提出了一种输出受限的控制方法,使其能在高速运转的情况下,避免出现较高的过冲。该控制方法的基本设计思路为:在反步控制法的设计框架下,引入了漏斗控制的原理,将系统的跟踪误差限制在一个漏斗型的边界曲线内。机械臂作为遥操作系统的终端设备,对其控制方案的研究除了具有较强的应用前景外,也是遥操作系统控制方法研究的基础。（3）针对受定常通讯时延影响的双边遥操作系统,提出了一种自适应量化同步控制方案。双边遥操作系统既是一个存在诸多不确定性的非线性系统,也是一个由相互关联的主、从两个机械臂终端子系统组成的分散式被控系统。考虑到物理系统的精度可能对遥操作系统控制性能的影响,一种具有滞环输出特性的量化器被应用在双边遥操作系统的控制任务上。通过滞环量化器,原来取值密集的连续性控制变量被量化为随着控制需求变化而改变的离散型控制量,这既减少了对控制器输出精度的要求,也避免了由于高频率地切换控制输出量而可能对物理系统造成的损伤。（4）针对时变时延通讯条件下的双边遥操作系统,提出了一种有限时间稳定的自适应同步控制方案。在实际的遥操作系统中,通讯信道往往会经过公用通讯网络,而公用通讯网络具有时变性的通讯时延,这对系统的控制性能会产生严重的影响。在控制器设计过程中,除了考虑到时变时延对系统性能的影响外,输入死区对机械臂系统控制性能的影响也被考虑在内。通过构建合适的李雅普诺夫-克罗索夫斯基（Lyapunov-Krasovskii）函数,利用反步控制法与有限时间稳定理论,一种有限时间稳定的自适应同步控制方案被提出来。通过仿真对比,该控制方法相对于其他方法在存在输入死区的条件下具有更加稳定的控制性能。相关的实验结果也验证了该控制方案的有效性。
井瑞静[4]（2021）在《几类滞环非线性系统自适应隐逆控制策略研究》文中研究表明智能材料驱动器包括压电陶瓷、超磁致伸缩、形状记忆合金等,具有响应速度快、工作频率高、可靠性强等优点,克服了液压式、机械式等传统驱动器响应速度慢、可靠性差等不足之处,使得其在超高精度加工、精密仪器制造、微纳操作机器人等领域广泛应用。然而,智能材料固有的滞环非线性具有多值性、强非线性以及记忆性等特性,严重影响了控制器的控制性能指标。因此,研究滞环的建模、识别和控制具有重要的理论和应用价值。在非线性控制领域,动态面中低通滤波器的引入,解决了传统backstepping方法中因对某些非线性信号反复微分导致的复杂性爆炸问题,降低了控制律设计过程的复杂性进而得到广泛研究。这些研究成果为处理滞环非线性问题打下了良好基础。本文针对几类滞环非线性系统提出了自适应动态面隐逆控制策略,并通过MATLAB和半实物仿真平台验证了所提控制方案的有效性。论文的主要研究内容包括:（1）针对一类非对称饱和Prandtl-Ishilinskii（PI）滞环非线性系统提出了一种自适应动态面隐逆控制方法,补偿了滞环非线性现象对系统造成的影响。其中,“隐逆”是指通过对所设计的包含真实控制信号的临时控制信号用一种寻优方法来开发的一种近似控制信号在线计算机制。具体贡献为:由于滞环模型本身的复杂性,构造真正的饱和滞环逆模型非常困难,这是首次用滞环隐逆补偿器来补偿不对称饱和滞环;设计饱和型滞环隐逆补偿器,在处理饱和型滞环时,不需要构造明确的滞环逆模型;将自适应动态面控制与误差转换函数相结合,克服了传统Backstepping方法中的“复杂性爆炸”问题,达到了预定的性能指标。稳定性分析和在半实物仿真平台上的实验结果表明了所提出的自适应隐逆控制方案的有效性。（2）针对一类具有PI滞环输入及时滞状态的非线性系统,提出了一种自适应神经网络控制方法,解决了状态反馈系统中的未知时滞及滞环非线性问题。主要贡献为:对未知PI滞环模型的密度函数进行实时在线估计,不需要建立准确的逆模型;通过有限覆盖引理来处理系统中的时滞问题,并用径向基函数神经网络对系统中的未知非线性函数进行逼近;将真实的控制信号耦合于临时控制信号内部,用隐逆的方法搜索出最优控制信号对系统中的滞环非线性进行补偿处理,克服了逆模型构造困难。通过稳定性分析表明该系统是半全局一致最终有界的,并利用仿真验证了该方法的有效性。
郑晓晓[5]（2021）在《具有执行器故障的高次非线性系统的自适应容错控制研究》文中认为近年来,随着工业过程越来越趋于大型化和复杂化,设备在生产中的地位也愈显重要,对控制质量的要求也更加高、精、准。在生产过程中,控制系统组成部件如执行器、传感器等一旦发生故障,将会导致系统运行不稳定,控制结果与预期目标不一致,更有可能会造成巨大的人员或经济损失。为了保证现代复杂系统的安全性与可靠性,国内外众多学者投入到非线性系统容错控制研究中。由于高次非线性系统的理论研究更为复杂,目前关于该系统的容错研究较少。因此,对于更复杂的高次非线性系统的容错控制值得投入更多的研究。本文主要讨论的是具有执行器偏置故障的高次非线性系统的容错控制问题。通过将后推技术,指令滤波器,自适应控制,监督控制器,神经网络控制等方法有效的结合起来,对具有执行器故障的高次非线性系统,提出了相应容错控制方案。本文的主要内容包括:第一,研究了一类高次非线性系统的容错控制问题。利用神经网络的逼近能力,提出了一种自适应容错控制方案。基于Lyapunov稳定理论,证明了闭环系统中的所有信号都是半全局一致终结有界的。仿真结果表明了所设计方法的有效性。第二,研究了一类具有执行器偏置故障的高次严格反馈非线性系统的自适应容错控制问题,提出了一种自适应后推容错控制策略。与传统的严格反馈非线性系统相比,高次严格反馈非线性系统更具一般性,也更难处理。尤其是当该系统发生执行器故障时,会在控制器设计过程中产生附加项。为了解决系统中未知的非线性问题,引入神经网络来估计未知的连续非线性函数。基于Lyapunov稳定理论,证明了闭环系统中所有信号都有界和跟踪误差可以收敛到原点的一个小的可调邻域内。最后,仿真结果验证了所设计控制方案的有效性。第三,研究了一类具有执行器故障的高次非线性严格反馈系统的自适应容错跟踪控制问题,提出了一种新的基于指令滤波的自适应神经网络监督后推控制策略。利用指令滤波器来解决传统后推技术中出现的所谓“计算膨胀”问题,并消除跟踪参考信号前n阶导数必须为已知的前提条件。值得注意地是,从函数逼近理论出发,对于一个未知的光滑函数,只有它所含变量总属于一个有界集合,才可以用神经网络去近似逼近它。在后推控制策略中,采用监督控制来保证每一步的所有变量都属于一个紧集,并进一步保证了每一步得到的未知函数都可以用神经网络来逼近,从而保证了理论分析的严密性,克服了后推控制现有结果的一些不足。最后,仿真结果验证了所设计控制策略的有效性。
刘晓敏[6]（2021）在《非线性双时间尺度系统自学习优化控制》文中提出非线性双时间尺度（Two-Time-Scale,TTS）系统是一种包含快变、慢变动态的复杂系统,广泛存在于过程工业、航空航天、智能电网等领域。由于系统的高阶特性和快慢动态耦合,在性能分析和控制器设计过程中可能出现高维和病态数值问题。同时,实际系统普遍存在的时滞、扰动、未建模动态等问题,给非线性TTS系统的分析和设计带来重大挑战。已有鲁棒控制、最优控制方法对扰动信息或模型动态信息的依赖程度高,缺乏自学习能力。因此,研究非线性TTS系统的自学习优化控制方法具有重要意义。本文将奇异摄动理论与逆最优控制、滑模控制以及强化学习等方法结合,提出一系列自学习优化控制算法,可有效克服高维和病态数值问题。本文主要研究成果如下:（1）针对一类具有时滞的非线性TTS神经网络,提出稳定性判据和逆最优同步控制方法。首先,针对具有多时变时滞的非线性TTS神经网络,通过构造一个与时间尺度参数ε相关的时滞依赖Lyapunov-Krasovskii泛函,建立系统渐近稳定的充分条件,并且给出稳定界的估计方法。然后,针对具有常时滞的非线性TTS神经网络,通过构造一个依赖时间尺度参数ε的控制Lyapunov函数,并将Hamilton-Jacobi-Bellman（HJB）方程和逆最优技术相结合,提出状态反馈最优同步控制方法,有效避免了病态数值问题。最后,通过数值例子仿真说明所提出的稳定性判据保守性小,所设计的同步控制器能够使两个系统同步速率更快。（2）针对一类具有未知扰动的TTS系统,提出基于自适应滑模控制的扰动抑制方法。首先,引入块对角化方法对全阶系统进行分解,得到解耦的快、慢子系统模型。然后,构造等效输入扰动对未知扰动进行估计。基于降阶子系统模型,利用Lyapunov方程构造组合滑模面。结合等效输入扰动估计,设计自适应滑模控制器,并证明满足可达性条件。设计过程可避免高维和病态数值问题。最后,通过磁带系统仿真验证所提控制方法能够在不知任何先验扰动信息的前提下,自适应地补偿扰动所带来的不利影响。（3）针对一类慢动态未知的非线性TTS系统,提出基于强化学习和T-S模糊方法的组合优化控制方法。首先,运用奇异摄动理论,将原始最优控制问题转化为两个降阶子问题。然后,为解决慢子问题,引入非线性坐标转换处理未知非标准型慢效用函数,提出基于强化学习的慢控制器设计算法。考虑快子系统的慢时变特性,建立T-S模糊快模型,采用并行分布式补偿方法设计快控制器。在考虑多源近似误差的情况下,证明慢控制器设计算法的收敛性、组合控制器的次优性和闭环系统的稳定性。设计过程可有效避免高维和病态数值问题。最后,通过数值例子和电机系统仿真说明在慢动态未知的情况下所设计的组合控制器与最优控制器之间是O（ε）程度近似的,且能够使闭环TTS系统渐近稳定。（4）针对一类动态完全未知的非线性TTS系统,提出基于强化学习的降阶优化控制方法。首先,运用奇异摄动理论,将原系统降阶为一个低阶系统,给出求解相应HJB方程的策略迭代算法,并保证算法的收敛性。然后,运用原系统的慢状态测量重构不可测的降阶系统状态,采用执行-评价神经网络近似降阶控制器和性能指标,在强化学习框架下实现该策略迭代算法,神经网络权值由加权残差法更新。在考虑神经网络近似误差、状态重构误差的情况下,证明迭代算法收敛性、降阶控制器的次优性以及闭环TTS系统的稳定性。设计过程可有效避免高维和病态数值问题。最后,通过数值例子和倒立摆系统仿真说明在动态完全未知的情况下所设计的降阶控制器与最优控制器之间是O（ε）程度近似的,且能够使闭环TTS系统渐近稳定。该论文有图29幅,表8个,参考文献164篇。
王秋凤[7]（2021）在《不确定输出反馈系统的全局稳定神经网络控制》文中研究表明实际系统的动力学模型大多是非线性的,且不可避免的受到系统不确定性以及外部干扰的影响,很难建立精确的系统模型,此外,系统的不确定性对整个系统的控制性能和闭环稳定性有着显着影响.自适应控制能够辨识系统模型参数并进行在线调节,对于不确定性系统具有良好的控制作用.另一方面,神经网络能在逼近域内对任何未知非线性函数进行任意精度的逼近,是一种很有前途的未知不确定性建模工具.近几年,基于逼近的不确定性非线性系统自适应控制方法得到了广泛的研究,并且取得了很多有价值的研究成果,但是仍然存在很多问题亟待进一步的研究和解决.基于此,本文针对不确定输出反馈系统,研究了其全局稳定的自适应神经网络控制问题,主要内容如下:1.不确定输出反馈系统的全局稳定自适应神经网络跟踪控制研究了一类具有未知界扰动的不确定输出反馈系统的全局稳定自适应神经网络跟踪控制问题.与现有的用于不确定输出反馈系统的自适应神经网络控制方法进行了比较,其差异如下:所设计的实际控制器由在近似域内工作的神经网络控制器和在近似域外工作的鲁棒控制器组成,此外,设计了一种新的平滑开关函数来实现两者之间的平滑切换,以保证闭环系统的所有信号是全局一致最终有界的（GUUB）.利用李雅普诺夫分析方法,严格证明了整个闭环系统在不可测状态和系统不确定性共同作用下的全局稳定性,通过合理选择设计参数,保证输出跟踪误差收敛到任意小的邻域.最后,通过两个仿真实例验证了所提控制方法的有效性.2.具有先验跟踪精度的不确定输出反馈系统的神经网络全局稳定自适应控制针对一类具有先验跟踪精度和时变有界扰动的不确定输出反馈系统,提出了一种全局稳定的基于神经网络的自适应控制方案.在李雅普诺夫函数中引入预先指定的原点附近的平坦区域来实现未知参数的估计.设计了一种新的符号函数来避免死区问题,保证虚拟控制的可微性,为了重构系统的不可测状态,设计了一个仅由控制输入驱动的降阶滤波器,状态估计误差受系统输出驱动的动态信号的约束.利用Barbalat引理严格证明了闭环控制系统的所有变量都是全局一致最终有界的（GUUB）,并且输出跟踪误差收敛到原点附近指定的小邻域.最后,通过两个仿真实例验证了所提控制方法的有效性.
赵薇[8]（2021）在《具有状态约束不确定非线性系统的自适应控制及其应用》文中研究指明约束作为制约系统性能的重要因素之一,广泛存在于实际系统中。因此,针对状态或者输出约束的研究在非线性控制领域显得尤为重要。结合障碍李雅普诺夫函数和反步法,针对非线性系统,进行了如下四个方面的研究工作:（1）针对一类具有时变全状态约束的严格反馈非线性系统,提出了一种自适应死区补偿控制方法。首先,构造了障碍李雅普诺夫函数和反步法来保证时变全状态约束不违反约束界并且使系统输出尽可能接近目标轨迹。其次,在反步法设计过程中利用神经网络逼近非线性系统中未知且连续的函数。然后,为了解决初始状态不确定问题引入延迟约束。最后,仿真例子验证所提控制方法的有效性。（2）针对一类具有多目标约束的严格反馈非线性系统,研究了自适应有限时间神经网络控制问题。首先,利用新的障碍李雅普诺夫函数来解决状态约束和有限时间的稳定性,这样不仅能有效地解决多目标约束,而且能保证所有状态始终在约束区间内。其次,在反步法中加入了将命令滤波,设计了智能控制器,从而有效的避免了由于虚拟控制器反复微分导致的“奇异性”问题。进一步,引入误差补偿机制,消除滤波过程中出现的误差。最后,机电动力系统的仿真验证了所提出有限时间控制策略是可行的。（3）针对具有时变全状态约束的严格反馈非线性系统,提出了一种自适应模糊控制方法。首先,利用积分型障碍李雅普诺夫函数,不仅保证了所有的状态都在约束范围内,而且把状态和误差结合起来直接约束状态,降低了约束满足条件的保守性。其次,在反步法的每一步中都构造了一个模糊自适应状态观测器来估计系统中的不可测状态。同时,根据李雅普诺夫稳定性理论证明了闭环系统中的所有信号都是有界的,且所有的状态不违反约束界。最后,仿真结果验证了所提控制方案的有效性。（4）针对具有时变输出约束和未知外部干扰的水面船舶系统,提出了自适应神经网络控制算法。首先,构造了障碍李雅普诺夫函数来保证时变输出约束不违反约束界。其次,引入非线性状态相关变换,从而去除了虚拟控制器的可行性条件。然后,设计了干扰观测器,用来估计时变且未知的外部干扰,并且利用李雅普诺夫稳定性定理验证闭环系统中的所有信号都是有界的。最后,仿真结果证明了该方法是正确的。
袁凤仪[9]（2021）在《具有状态约束不确定非线性多智能体系统的神经元网络自适应控制》文中研究指明近年来,受实际生产生活的需求影响,多智能体系统被广泛应用在各种领域里。为此,关于智能控制在多智能体系统中的应用受到了学者们的关注。同时,基于生产工艺、执行机构和安全性考虑,实际系统中常常存在约束问题,而一旦违反约束条件就会降低效率甚至会危及生命。因此,研究具有全状态约束的不确定多智能体系统就显得尤为重要。本文将从以下三个方面展开研究:（1）针对具有全状态约束的非线性非仿射多智能体系统,提出了一种自适应神经网络分布式控制策略。首先,利用中值定理将非仿射系统转换为仿射系统,并且对系统中的未知项进行逼近。其次,通过一一映射中的函数变换方法将原先具有状态约束的系统转化为等价的无约束系统,并且使得转换后的系统与原系统具有相同的性质,以保证每个智能体的状态不违反预定的约束界。再次,基于反步设计,设计自适应分布式控制器,并且采用Nussbaum函数来解决系统的部分控制方向未知的问题。同时,利用李雅普诺夫函数稳定性理论得到闭环系统的所有信号均有界。最后,通过仿真例子验证了该方法的有效性。（2）针对具有输入饱和的非线性非仿射多智能体系统,提出了一种自适应神经网络容错分布式控制策略。首先,通过利用中值定理对非仿射多智能体系统进行转换,可以得到一个等效的仿射模型。其次,基于积分障碍李雅普诺夫函数和反步递推,设计自适应容错分布式控制器,其中将系统中的未知函数用神经网络的方法来逼近。与此同时,选取积分障碍李雅普诺夫函数来使得系统的状态变量始终不违反约束界。最后,通过一个仿真实例验证了该方法的有效性。（3）针对在有向图和状态约束下的非线性多智能体系统,提出自适应分布式控制策略。本文引入了积分障碍李雅普诺夫函数（i BLF）,克服了带误差变量的障碍李雅普诺夫函数所产生的保守性限制,放宽了可行性条件,并且可以同时解决智能体之间通信误差的耦合项和状态约束。基于i BLF与反步法,设计了自适应分布式控制器,并利用积分中值定理对i BLF进行微分。同时,利用神经网络的特性对未知项进行逼近,并且由李雅普诺夫稳定性理论来证明闭环系统的稳定性。该方案既能够保证所有跟随者的输出满足领导者的输出轨迹,也能够使得状态变量不违反约束界,并且所有闭环信号均有界。最后,通过仿真例子验证了所提方法的有效性。
刘仕元[10]（2021）在《吸气式高超声速飞行器自适应神经网络跟踪控制算法》文中研究表明本文主要研究了一类吸气式高超声速飞行器的跟踪控制问题。因为这类飞行器的动力学模型具有较高的非线性,复杂的耦合性和参数不确定性的特点。而传统控制方法并不能很好的解决跟踪控制研究中的实时性以及精度问题。所以,现有的吸气式高超声速飞行器的飞行控制设计仍然是一个开放的挑战。针对这类跟踪控制问题,本文提出了两种新的控制器设计方法,自适应神经网络控制算法和带有死区误差的自适应神经网络控制方法。仿真实验表明了上述两种方法能够加快飞行器跟踪控制的速度,提升跟踪控制的精度。本文具体工作内容如下:1.提出了包含飞行路径、飞行高度和攻角的高超声速飞行器简化控制模型,并针对该控制模型设计了一种神经网络控制算法。该算法采用SDU矩阵分解的方法将简化后模型中的增益矩阵进行分解,以消除控制输入和控制输出之间的强耦合,从而降低高超声速飞行器模型本身复杂的耦合性。同时,应用神经网络近似分解后模型中未知项函数的集合,从而解决模型中参数不确定性。Lyapunov稳定性分析表明了该控制系统能够实现对目标的快速跟踪。2.为了提高多输入多输出（MIMO）矩形非线性系统系统的跟踪性能,提出了一种带有死区误差的自适应神经网络控制方法,用于吸气式高超声速飞行器的跟踪控制。为了改进自适应神经网络控制算法,引入带有死区误差更新率的自适应神经网络来生成控制动作。该控制方法能够较好的适用于具有参数不确定性和干扰的吸气式高超声速飞行器系统,以跟踪期望的飞行轨迹,飞行高度和攻角。通过Lyapunov稳定性分析和对比PID仿真结果,表明了闭环系统的稳定性和跟踪优越性。
二、一种未知非线性系统的自适应神经网络控制方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种未知非线性系统的自适应神经网络控制方法（论文提纲范文）
（1）复杂系统的解耦内模与事件触发故障补偿控制（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 多变量系统解耦方法 |
| 1.3 内模控制 |
| 1.4 事件触发控制 |
| 1.5 故障诊断与故障补偿控制 |
| 1.5.1 故障诊断 |
| 1.5.2 故障补偿控制 |
| 1.6 本文主要研究工作 |
| 第二章 复杂多变量系统的倒置解耦方法 |
| 2.1 引言 |
| 2.2 经典解耦方法 |
| 2.2.1 理想解耦 |
| 2.2.2 简单解耦 |
| 2.2.3 倒置解耦 |
| 2.3 倒置解耦器的设计 |
| 2.3.1 倒置解耦器的设计流程 |
| 2.3.2 倒置解耦器的可实现性问题 |
| 2.3.3 RHP零点的近似与补偿 |
| 2.4 举例说明 |
| 2.5 小结 |
| 第三章 基于改进型巴特沃斯滤波器的多变量系统倒置解耦内模控制 |
| 3.1 引言 |
| 3.2 内模控制的基本原理 |
| 3.2.1 内模控制的基本结构 |
| 3.2.2 内模控制的基本性质 |
| 3.2.3 内模控制器的设计 |
| 3.3 改进型巴特沃斯滤波器的设计 |
| 3.3.1 标准型巴特沃斯滤波器的基本原理 |
| 3.3.2 改进型巴特沃斯滤波器的基本原理 |
| 3.3.3 改进型巴特沃斯滤波器的参数整定 |
| 3.4 基于改进型巴特沃斯滤波器的多变量系统倒置解耦内模控制器设计 |
| 3.5 鲁棒性分析 |
| 3.6 仿真验证 |
| 3.7 小结 |
| 第四章 基于分数阶改进型巴特沃斯滤波器的多变量系统离散倒置解耦内模控制 |
| 4.1 引言 |
| 4.2 分数阶改进型巴特沃斯滤波器的设计 |
| 4.2.1 分数阶微分的基本理论 |
| 4.2.2 分数阶改进型巴特沃斯滤波器的设计流程 |
| 4.2.3 分数阶改进型巴特沃斯滤波器的稳定性分析 |
| 4.3 基于分数阶改进型巴特沃斯滤波器的多变量系统离散倒置解耦内模控制器设计 |
| 4.3.1 Z变换的定义 |
| 4.3.2 离散倒置解耦内模控制器的设计 |
| 4.3.3 离散倒置解耦器的可实现性问题 |
| 4.3.4 离散滤波器的设计 |
| 4.4 仿真验证 |
| 4.5 小结 |
| 第五章 具有预设性能指标的非线性化工过程自适应神经网络事件触发控制 |
| 5.1 引言 |
| 5.2 非线性CSTR建模及预备知识 |
| 5.2.1 连续搅拌反应釜的结构及工作原理 |
| 5.2.2 CSTR模型建立 |
| 5.3 具有预设性能指标的自适应神经网络事件触发控制器设计 |
| 5.3.1 RBF神经网络原理与预备知识 |
| 5.3.2 具有预设性能指标的误差变换 |
| 5.3.3 自适应神经网络事件触发控制器设计 |
| 5.4 稳定性与可实现性分析 |
| 5.4.1 稳定性分析 |
| 5.4.2 可实现性分析 |
| 5.5 仿真验证 |
| 5.6 小结 |
| 第六章 执行器故障时非线性化工过程自适应神经网络事件触发故障补偿控制 |
| 6.1 引言 |
| 6.2 执行器故障模型 |
| 6.3 自适应神经网络事件触发故障补偿控制 |
| 6.3.1 切换阈值事件触发机制设计 |
| 6.3.2 自适应神经网络事件触发故障补偿控制器设计 |
| 6.4 稳定性与可实现性分析 |
| 6.4.1 稳定性分析 |
| 6.4.2 可实现性分析 |
| 6.5 仿真验证 |
| 6.6 小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者和导师简介 |
| 附件 |
（2）气动位置伺服系统神经网络控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 气动位置伺服系统概述 |
| 1.3 国内外研究现状 |
| 1.4 本文研究对象 |
| 1.4.1 气动位置伺服系统硬件组成及工作原理 |
| 1.4.2 气动位置伺服系统数学模型 |
| 1.5 本文研究内容 |
| 2 控制方向未知时的自适应神经网络控制 |
| 2.1 气动位置伺服系统控制方向未知问题描述 |
| 2.2 Nussbaum函数简介 |
| 2.3 神经网络理论 |
| 2.3.1 RBF 神经网络概述 |
| 2.3.2 小波神经网络概述 |
| 2.3.3 模糊神经网络概述 |
| 2.4 自适应神经网络控制的设计 |
| 2.5 稳定性分析 |
| 2.6 实验结果及分析 |
| 2.7 本章小结 |
| 3 考虑控制方向未知和输入饱和的自适应神经网络控制 |
| 3.1 气动位置伺服系统饱和非线性的描述 |
| 3.2 考虑饱和非线性时的自适应神经网络控制 |
| 3.2.1 控制器的设计 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 考虑控制方向未知和状态受限的自适应神经网络控制 |
| 4.1 气动位置伺服系统状态受限问题的描述 |
| 4.2 考虑系统状态受限问题的自适应神经网络控制 |
| 4.2.1 控制器的设计 |
| 4.2.2 稳定性分析 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 5 考虑状态受限和伺服阀滞回特性的自适应神经网络控制 |
| 5.1 气动位置伺服系统滞回特性的描述 |
| 5.2 考虑滞回特性的自适应神经网络控制 |
| 5.2.1 控制器的设计 |
| 5.2.2 稳定性分析 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 考虑多种限制因素的自适应神经网络控制 |
| 6.1 考虑控制方向未知、状态受限、输入饱和的自适应神经网络控制 |
| 6.1.1 控制器的设计 |
| 6.1.2 稳定性分析 |
| 6.1.3 实验结果及分析 |
| 6.2 控制方向未知、状态受限、含滞回特性时的自适应神经网络控制 |
| 6.2.1 控制器的设计 |
| 6.2.2 稳定性证明 |
| 6.2.3 实验结果及分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（3）基于径向基神经网络的反步控制及其在遥操作系统中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 非线性控制 |
| 1.1.2 输入输出限制对系统性能的影响 |
| 1.1.3 遥操作系统 |
| 1.2 非线性控制方法研究现状 |
| 1.2.1 反步控制法 |
| 1.2.2 神经网络控制 |
| 1.2.3 基于径向基神经网络的自适应反步控制法 |
| 1.3 遥操作系统控制研究现状 |
| 1.3.1 遥操作系统的系统模型与控制任务 |
| 1.3.2 遥操作系统控制方法 |
| 1.4 本文的主要研究内容 |
| 1.4.1 现有研究成果的不足 |
| 1.4.2 研究思路 |
| 1.4.3 具体内容 |
| 2 死区影响下高阶纯反馈系统的有限时间跟踪控制 |
| 2.1 输入死区对系统性能的影响 |
| 2.1.1 非线性死区模型 |
| 2.1.2 死区对系统性能的影响 |
| 2.2 径向基神经网络近似器 |
| 2.3 有限时间稳定 |
| 2.4 纯反馈系统模型 |
| 2.5 控制器设设计与稳定性分析 |
| 2.5.1 控制器结构 |
| 2.5.2 控制器设设计过程及稳定性分析 |
| 2.6 仿真验证 |
| 2.7 本章小结 |
| 3 机械臂系统的有限时间漏斗跟踪控制 |
| 3.1 机械臂系统控制任务 |
| 3.2 问题描述与相关引理 |
| 3.2.1 漏斗控制与漏斗变量 |
| 3.2.2 其他引理与假设 |
| 3.3 控制器设设计及其稳定性分析 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 4 定常时延双边遥操作系统的自适应量化控制 |
| 4.1 滞环量化器 |
| 4.2 双边遥操作系统模型 |
| 4.3 控制器设设计与稳定性分析 |
| 4.3.1 以反步控制法推导的控制方法 |
| 4.3.2 以降降阶法推导的控制方法 |
| 4.4 仿真验证 |
| 4.5 本章小结 |
| 5 时变时延双边遥操作系统的自适应有限时间控制 |
| 5.1 问题描述与相关引理 |
| 5.2 控制器设设计与稳定性分析 |
| 5.2.1 控制器结构 |
| 5.2.2 控制器设设计步骤及稳定性分析 |
| 5.3 仿真验证 |
| 5.3.1 仿真模型 |
| 5.3.2 仿真结果 |
| 5.4 实验验证 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）几类滞环非线性系统自适应隐逆控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 控制算法研究现状 |
| 1.2.1 滞环非线性及其建模研究 |
| 1.2.2 具有时滞状态的非线性系统及自适应控制方法研究 |
| 1.2.3 智能材料驱动系统的自适应控制算法研究 |
| 1.3 本文主要研究内容和安排 |
| 第2章 算法理论 |
| 2.1 Lyapunov稳定性定理 |
| 2.2 滞环模型 |
| 2.2.1 Prandtl–Ishlinskii(PI)滞环模型 |
| 2.2.2 非对称饱和PI滞环模型 |
| 2.3 误差转换函数 |
| 2.4 有限覆盖引理 |
| 2.5 径向基神经网络 |
| 2.6 本章小结 |
| 第3章 一类滞环非线性系统的自适应动态面隐逆控制策略研究 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 控制器设计 |
| 3.4 跟踪性能和稳定性分析 |
| 3.5 数值算例 |
| 3.5.1 半实物仿真平台 |
| 3.5.2 具有滞环输入的二阶非线性子系统 |
| 3.6 本章小结 |
| 第4章 一类具有滞环输入及时滞状态的非线性系统自适应神经网络控制策略研究 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 控制器设计 |
| 4.4 稳定性与L_∞跟踪性能分析 |
| 4.5 数值算例 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）具有执行器故障的高次非线性系统的自适应容错控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明与预备知识 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 容错控制 |
| 1.2.1 容错控制发展概述 |
| 1.2.2 容错控制的研究现状 |
| 1.3 高次非线性系统的概述 |
| 1.4 本文的主要内容 |
| 第二章 一阶高次非线性系统的容错控制 |
| 2.1 引言 |
| 2.2 问题的描述与基本假设 |
| 2.3 神经网络 |
| 2.4 控制器设计 |
| 2.5 稳定性分析 |
| 2.6 仿真结果 |
| 2.7 结论 |
| 第三章 一类高次严格反馈非线性系统的神经网络自适应容错控制 |
| 3.1 引言 |
| 3.2 问题的描述与基本假设 |
| 3.3 径向基函数神经网络 |
| 3.4 自适应后推容错控制器设计 |
| 3.5 稳定性分析 |
| 3.6 仿真结果 |
| 3.7 结论 |
| 第四章 具有监督控制器和指令滤波的高次非线性系统自适应神经网络容错后推控制 |
| 4.1 引言 |
| 4.2 问题的描述与基本假设 |
| 4.3 神经网络 |
| 4.4 自适应后推容错控制器设计 |
| 4.5 稳定性分析 |
| 4.6 仿真结果 |
| 4.7 结论 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间取得的研究成果 |
| 致谢 |
（6）非线性双时间尺度系统自学习优化控制（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及问题分析 |
| 1.3 论文主要工作及章节安排 |
| 2 时滞非线性双时间尺度神经网络稳定性分析与逆最优同步控制 |
| 2.1 引言 |
| 2.2 具有时变时滞的双时间尺度神经网络稳定性分析 |
| 2.3 具有常时滞的双时间尺度神经网络逆最优同步控制 |
| 2.4 本章小结 |
| 3 具有未知扰动的双时间尺度系统自适应滑模控制 |
| 3.1 引言 |
| 3.2 问题描述和预备知识 |
| 3.3 基于等效输入扰动的自适应滑模控制器设计与性能分析 |
| 3.4 仿真研究 |
| 3.5 本章小结 |
| 4 慢动态未知的非线性双时间尺度系统强化学习组合优化控制 |
| 4.1 引言 |
| 4.2 问题描述和预备知识 |
| 4.3 基于RL和T-S模糊的组合次优控制器设计与性能分析 |
| 4.4 仿真研究 |
| 4.5 本章小结 |
| 5 动态完全未知的非线性双时间尺度系统强化学习降阶优化控制 |
| 5.1 引言 |
| 5.2 问题描述和预备知识 |
| 5.3 基于RL的次优降阶控制器设计及性能分析 |
| 5.4 仿真研究 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（7）不确定输出反馈系统的全局稳定神经网络控制（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词表 |
| 符号说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 不确定非线性系统的研究现状 |
| 1.2.1 不确定非线性系统自适应控制 |
| 1.2.2 自适应反步神经网络控制 |
| 1.2.3 不确定输出反馈非线性系统自适应神经网络控制 |
| 1.3 RBF神经网络 |
| 1.4 本文主要研究内容 |
| 第2章 不确定输出反馈系统的全局稳定自适应神经网络跟踪控制 |
| 2.1 引言 |
| 2.2 前期准备 |
| 2.2.1 开关函数 |
| 2.2.2 函数逼近 |
| 2.2.3 重要不等式 |
| 2.3 系统描述和状态观测器设计 |
| 2.3.1 系统描述 |
| 2.3.2 状态观测器设计 |
| 2.4 自适应神经网络控制设计 |
| 2.5 稳定性分析 |
| 2.6 仿真实验 |
| 2.6.1 例1 |
| 2.6.2 例2 |
| 2.7 本章小结 |
| 第3章 具有先验跟踪精度度的不确定输出反馈系统的全局稳定自适应神经网络跟踪控制 |
| 3.1 引言 |
| 3.2 前期准备 |
| 3.2.1 光滑有界函数 |
| 3.2.2 ε_i-邻域符号函数 |
| 3.2.3 ε_i-邻域非负函数 |
| 3.2.4 开关函数 |
| 3.3 系统描述和状态观测器设计 |
| 3.3.1 系统描述 |
| 3.3.2 函数逼近 |
| 3.3.3 降阶滤波器 |
| 3.3.4 其他符号 |
| 3.4 自适应神经网络控制设计 |
| 3.5 稳定性分析 |
| 3.6 仿真实验 |
| 3.6.1 例1 |
| 3.6.2 例2 |
| 3.7 本章小结 |
| 第4章 总结与展望 |
| 4.1 总结 |
| 4.2 展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（8）具有状态约束不确定非线性系统的自适应控制及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 非线性自适应控制理论的研究 |
| 1.3 约束控制理论的研究 |
| 1.4 本文主要研究内容 |
| 1.5 本文的预备知识 |
| 1.5.1 李雅普诺夫稳定性理论 |
| 1.5.2 径向基函数神经网络理论 |
| 1.5.3 模糊逻辑系统理论 |
| 2 具有未知死区输入非线性状态约束系统的自适应神经网络控制 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.3 控制器设计及稳定性分析 |
| 2.4 仿真例子 |
| 2.5 本章小结 |
| 3 基于多目标约束的非线性系统自适应有限时间神经网络控制及应用 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 控制器设计及稳定性分析 |
| 3.4 仿真例子 |
| 3.5 本章小结 |
| 4 基于状态观测器的全状态约束非线性系统模糊自适应控制 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 控制器设计及稳定性分析 |
| 4.4 仿真例子 |
| 4.5 本章小结 |
| 5 基于干扰观测器的时变输出约束船舶系统自适应控制 |
| 5.1 引言 |
| 5.2 系统描述 |
| 5.3 控制器设计及稳定性分析 |
| 5.4 仿真例子 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（9）具有状态约束不确定非线性多智能体系统的神经元网络自适应控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 多智能体系统的一致性研究 |
| 1.3 不确定非线性多智能体系统的研究 |
| 1.4 本文主要研究内容 |
| 1.5 本文的预备知识 |
| 1.5.1 图论 |
| 1.5.2 李雅普诺夫稳定性理论 |
| 1.5.3 径向基函数神经网络 |
| 2 具有未知控制方向的非仿射多智能体系统的自适应神经网络控制 |
| 2.1 引言 |
| 2.2 系统描述 |
| 2.3 系统的状态转换 |
| 2.4 控制器设计及稳定性分析 |
| 2.5 仿真例子 |
| 2.6 本章小结 |
| 3 具有输入饱和的非仿射多智能体系统的自适应神经网络容错控制 |
| 3.1 引言 |
| 3.2 系统描述 |
| 3.3 控制器设计及稳定性分析 |
| 3.4 仿真例子 |
| 3.5 本章小结 |
| 4 具有状态约束的非线性严格反馈多智能体系统的一致跟踪控制 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 控制器设计及稳定性分析 |
| 4.4 仿真例子 |
| 4.5 本章小结 |
| 5 结论 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表学术论文情况 |
| 致谢 |
（10）吸气式高超声速飞行器自适应神经网络跟踪控制算法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 吸气式高超声速飞行器的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 吸气式高超声速飞行器控制方法的研究现状 |
| 1.3.1 反馈线性化控制 |
| 1.3.2 反步控制 |
| 1.3.3 智能控制 |
| 1.3.4 滑模控制 |
| 1.4 本文的主要研究内容与结构 |
| 第二章 系统稳定性的概念和判定定理 |
| 2.1 李雅普诺夫稳定性原理 |
| 2.2 有界性原理 |
| 2.3 Barbalat引理 |
| 2.4 神经网络逼近原理 |
| 2.5 SDU矩阵分解 |
| 2.6 死区误差 |
| 2.7 投影算子 |
| 2.8 比较法则 |
| 第三章 吸气式高超声速飞行器模型分析 |
| 3.1 引言 |
| 3.2 吸气式高超声速飞行器结构及参数 |
| 3.2.1 高超声速飞行器外观介绍 |
| 3.2.2 高超声速飞行器几何结构 |
| 3.2.3 高超声速飞行器参数注解及名词解释 |
| 3.3 飞行动力学相关知识 |
| 3.3.1 超声速空气动力学 |
| 3.3.2 飞行器转动轴 |
| 3.4 高超声速飞行器数学模型 |
| 3.5 本文中简化后的模型 |
| 3.6 本章小结 |
| 第四章 自适应神经网络控制器设计 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 控制器设计 |
| 4.3.1 高超声速飞行器速度子系统跟踪控制和高度子系统跟踪控制 |
| 4.3.2 误差系统设计 |
| 4.3.3 自适应神经网络控制设计 |
| 4.3.4 李雅普诺夫稳定性证明 |
| 4.4 仿真实验 |
| 4.4.1 仿真条件 |
| 4.4.2 仿真结果 |
| 4.5 本章小结 |
| 第五章 带有死区误差的自适应神经网络控制器设计 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 控制器设计 |
| 5.3.1 高超声速飞行器速度子系统跟踪控制和高度子系统跟踪控制 |
| 5.3.2 误差系统设计 |
| 5.3.3 带有死区误差的自适应神经网络控制器设计 |
| 5.3.4 李雅普诺夫稳定性证明 |
| 5.4 仿真实验 |
| 5.4.1 仿真条件 |
| 5.4.2 仿真结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
四、一种未知非线性系统的自适应神经网络控制方法（论文参考文献）
- [1]复杂系统的解耦内模与事件触发故障补偿控制[D]. 刘凯悦. 北京化工大学, 2021(02)
- [2]气动位置伺服系统神经网络控制方法研究[D]. 焦珊珊. 西安理工大学, 2021(01)
- [3]基于径向基神经网络的反步控制及其在遥操作系统中的应用[D]. 包家磊. 北京交通大学, 2021(02)
- [4]几类滞环非线性系统自适应隐逆控制策略研究[D]. 井瑞静. 东北电力大学, 2021(09)
- [5]具有执行器故障的高次非线性系统的自适应容错控制研究[D]. 郑晓晓. 扬州大学, 2021(08)
- [6]非线性双时间尺度系统自学习优化控制[D]. 刘晓敏. 中国矿业大学, 2021(02)
- [7]不确定输出反馈系统的全局稳定神经网络控制[D]. 王秋凤. 曲阜师范大学, 2021(02)
- [8]具有状态约束不确定非线性系统的自适应控制及其应用[D]. 赵薇. 辽宁工业大学, 2021(02)
- [9]具有状态约束不确定非线性多智能体系统的神经元网络自适应控制[D]. 袁凤仪. 辽宁工业大学, 2021(02)
- [10]吸气式高超声速飞行器自适应神经网络跟踪控制算法[D]. 刘仕元. 天津理工大学, 2021(08)