论文部分内容阅读
本文研究了一类具有时滞和(或)不确定性的复杂非线性系统的智能自适应重构控制问题。将T-S模糊模型和自适应神经网络与先进的鲁棒控制技术有机结合,提出了一套比较实用的复杂非线性系统的重构控制方法。 文中首先讨论了一类具有状态和控制时滞的不确定非线性系统的模糊H_∞状态反馈控制问题。在利用具有时滞的不确定Takagi-Sugeno(T-S)模糊模型对非线性系统进行建模的基础上,提出了一套模糊鲁棒H_∞控制器的系统设计方法。 在基于T-S模糊模型的基础上,文中讨论一类具有执行机构故障的非线性系统的模糊容错控制,使得系统在执行机构卡死或失效时仍然能够保持稳定并且跟踪给定的期望信号。 进一步,文中针对一类具有不确定性的非线性系统,通过Backstepping技术将基于T—S模糊模型的模糊增益控制器与自适应模糊控制器相结合,提出了一种模糊鲁棒重构控制方法,通过模糊自适应控制器的作用,可以自动补偿于系统的建模误差、不确定因素及执行机构故障等造成的影响。 为了弥补现有的基于模糊模型控制设计方法的不足,文中提出了一种将自适应神经网络设计和基于T-S模糊模型控制方法相结合的新的控制方法。在原有模糊H_∞控制的基础上,进一步引入了RBF神经网络完全自适应控制方法,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,可以有效地对消系统的未知不确定性和模糊建模误差的影响,解决了当系统的不确定项和模糊建模误差不满足任何匹配条件或约束条件时的非线性系统的稳定控制和跟踪控制问题。 同时,当现有的基于模型的模糊控制器无法求解时,文中给出了一种改进的基于模糊模型和神经网络的自适应重构控制方案。将所有的局部状态反馈控制器和基于自适应神经网络的鲁棒自适应控制器相结合,构造使系统稳定的模糊逻辑控制器,从而不需要求李亚普诺夫方程的公共解,拓宽了该方法的适用范围。 此外,由于传统的RBF神经网络的基函数通常选用常规高斯函数,因此在学习中易受到对称性限制。针对这一问题,文中提出了一种全自适应的不对称高斯基函数网络(AGBFN)结构,网络的基函数采用具有不对称宽度的伪高斯函数,和常规的高斯函数相比,具有更大的可变性和延展性,从而使得隐层神经元在函数近似上具有更高的适应性,提高了神经网络的学习能力。 最后将文中所提出的方法成功地应用于歼击机飞行控制系统的数字仿真实验,仿真结果表明了本文方法的有效性。