一类时滞大系统的分散自适应输出反馈控制

来源 :第26届中国控制会议 | 被引量 : 0次 | 上传用户:psetpsetc
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本文研究了一类含不确定参数和多时变时滞互联项大系统的分散输出反馈自适应稳定问题。假定互联项满足匹配条件且每个子系统的标称系统是严格反馈正实的。通过估计不确定参数矩阵的界设计出了一种分散自适应输出反馈控制器, 并证明了此控制器使得闭环系统全局指数一致收敛到一个有界球.最后给出一个仿真例子说明结论的有效性。
其他文献
由Vapnik等提出的支持向量机(SVM)理论,成功地解决了分类器的构造问题,对线性可分的二分类样本可由支持向量决定的最优超平面分开,而对非线性可分的二分类样本,可通过选择适当形式的核函数和参数,使其在特征空间中线性可分.但SVM 方法需要求解二次规划,对多分类问题,需要构造SVM 决策树,复杂度较高。交叉覆盖算法用超平面切割超球面而成的球形领域作神经元构造神经网络,分类能力强,运行速度快,较好地
本文讨论分形几何与商空间理论的关系,提出商分形的概念,并讨论分形图的逼近与商空间粒度计算之间的关系。得到的主要结论:①证明一个函数迭代系统W={(X,d),wi,i=1,…,n}对应于一个分层递阶商空间链{Xk,k=1,2,…},并给出商空间链{Xk,k=1,2,…}对应的距离函数.②给出Xk上的商映射Wk和商集Pk的构造方法,证明Pk是Wk在Xk上的不变子集.③给出商分形模型的定义和结构:{(X
燃气日负荷的预测对燃气生产计划及合理调度起着重要的指导作用。为提高燃气负荷预测的精度,通过分析燃气日负荷的变化规律和影响因素,建立了合理的燃气日负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF-Elman)网络对燃气日负荷进行预测。与传统的Elman网络比较,OIF-Elman网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明
针对非结构化道路的阴影和水迹等环境因素的影响,利用细胞神经网并行图像处理能力,提出一种基于细胞神经网的道路图像快速分割算法。采用细胞神经网的灰度阈值分割,膨胀腐蚀,边缘检测等操作。实验结果表明:该算法具有较强的环境适应能力,不仅能实现结构化道路和非结构化道路快速分割,而且能消除阴影和水迹对道路图像分割效果的影响,快速有效地分割出道路区域。
本文讨论了自由漂浮空间机械臂系统的自适应神经网络控制问题。首先,由拉格朗日方法,推导出自由漂浮空间机械臂系统的动力学方程.以此为基础,借助于神经网络技术对空间机械臂系统进行建模.然后,针对空间机械臂所有参数未知的情况下,设计了载体位置与姿态均不受控的空间机械臂系统关节轨迹跟踪的自适应神经网络控制方案。此控制方案不要求系统动力学方程关于惯性参数呈线性关系,而且无需已知系统的任意惯性参数.除此之外,也
认知图CM(Cognitive Map)是一种新的智能方法,与专家系统、神经元网络等传统智能技术相比,它具有独特的优势,如易于表示结构化知识,易于进行运算推理的数字矩阵(而不是基于规则的推理)等。但是,要充分展示CM的这些优势,首先必须获得正确的CM图.传统的获取CM图的方法(如问卷法、头脑风暴法、样本学习法等)主要借助专家经验,因其过分强调主观因素而忽视客观数据资源,容易导致信息丢失现象。为此,
讨论了超声速巡航导弹俯仰通道过载控制系统的输出跟踪问题。通过坐标转换将原系统转换为规范形,采用输出重定义技术,设计了积分型滑模控制律,解决了原系统的非最小相位问题,保证了对原系统输出的跟踪.另外,采用了观测器解决了攻角不易测量的问题。仿真结果表明,根据该方法设计的控制系统有比较理想的稳定性和鲁棒性。
针对电力系统无功静补系统面临的非线性、多目标控制问题,应用滑模变结构控制理论、鲁棒控制理论和直接反馈线性化技术,设计了能同时改善电力系统功角稳定与装设点。电压动态性能的静止无功补偿器(SVC)非线性变结构鲁棒控制器.控制器考虑了含SVC的单机-无穷大系统(SMIB)模型可能的不确定性项,以其标称系统所对应的代数Riccati方程的解来构造滑动模态超平面,进而给出变结构鲁棒控制算法。设计的控制规律简
对十字梁系统的三通道非线性模型进行分析,为了克服通道间耦合项的影响,对非线性模型进行了处理,使其包括线性项和非线性耦合项两部分.在此基础上,采用自适应滑模控制方法设计三通道的控制系统.该方法利用自适应算法对非线性耦合项进行补偿,并利用滑模控制保证系统的跟踪误差收敛于零.仿真结果表明,所设计的自适应滑模控制系统具有很好的控制效果。
本文针对一类具有相对阶的时滞系统, 讨论带有初始修正的迭代学习控制算法, 给出这类学习系统的输出极限轨迹, 以及当实际输出收敛于此极限轨迹时的充分条件、理论分析表明, 该学习算法可以在指定时刻之后实现对给定期望轨迹的完全跟踪.