论文部分内容阅读
在实际控制中,由于参数误差,未建模动态或外部干扰等因素,系统总是具有不确定性,因而难以达到理想的控制指标。为解决这一问题,需要设计相应的控制器,以使不确定系统保持稳定或满足理想的设计指标。神经网络具有较强的并行处理能力,逼近任意非线性映射能力以及自组织学习等能力。它的这些特性能较好地解决系统中存在的不确定问题,因此把神经网络理论应用于不确定系统,将会取得很好的控制效果。本文分别对线性不确定系统、非线性不确定系统,以及时滞不确定系统进行研究,设计了基于神经网络的控制器。对线性不确定系统,将神经网络控制、鲁棒控制与滑模变结构控制三种方法结合,基于矩阵不等式设计出状态反馈控制器,利用神经网络对不确定变量进行逼近,最后设计基于神经网络的滑模变结构控制器,并给出了保证该线性不确定系统渐近稳定的充分条件。最后的仿真结果表明其控制效果比单一算法的控制器好。对一类非线性不确定系统进行了神经网络控制器设计,并根据Lyapunov理论,给出了控制器存在的充分条件,证明该系统渐近稳定,仿真结果表明该控制器是有效的。为减小系统跟踪误差,提高响应速度,对原控制器进行了改进,仿真实例表明,改进后的控制器能够满足提高控制性能的要求。论文对具有时滞的不确定系统的稳定性问题进行了分析。首先考虑一类不确定非线性时滞系统,提出了一种基于径向基神经网络的控制器设计方案,给出了保证该时滞系统渐近稳定的理论证明,并用仿真实例验证了该控制器的有效性。然后研究了一类非线性不确定时滞系统,在原鲁棒H_∞控制的基础上,引入神经网络与滑模控制方法,因而鲁棒H_∞性能被融入到控制中,设计了基于鲁棒H_∞的神经网络滑模控制器,并用理论证明该控制器能够保证此类时滞系统渐近稳定,最后的仿真结果表明其控制性能与原来相比有了较大的提高。