1、自適應控制論文：基于神經網絡的含時滯非線性系統的自適應控制和模糊隸屬函數生成方法【中文摘要】利用自適應控制對反饋線性系統在線逼近，基于對動態系統逼近認知來設計控制器已被證明是一個有效的方法。實際應用在飛機上的這類控制器穩定性，性能特點以及在控制冗余時卓越的容錯能力也已得到證明。這些現實中的實驗為利用神經網絡逼近未知函數對非線性自適應控制系統的研究提供了巨大的驅動作用。在本文中，對一類含未知變時滯的塊三角結構的非線性系統介紹了一種新自適應神經網絡控制方法。利用徑向基函數神經網絡來估計未知的連續函數。在本文的第一節，我們介紹了自適應與神經網的背景知識。在第二節和第三節，利用一類自適應神經網絡控制來

2、考察一類含狀態變時滯與未知虛擬控制系數的非線性系統。我們得到的結果的主要好處不僅是有效地避免了控制奇異問題，而且也放寬了對未知虛擬控制系數的限制。非線性閉環系統的所有信號的有界性都達到了，同時，也證明了系統的輸出信號收斂到預期軌跡的一個很小的領域內。在第二節，自適應神經網絡控制應用于一類含未知常時滯的單輸入單輸出的非線性系統。然后，在第三節，我們擴展了第二節的方法，自適應神經網絡控制應用于一類含未知變時滯的塊三角結構的非線性系統。在第四節，我們介紹了一種新的生成模糊隸屬函數的方法.【英文摘要】Adaptive control using on-line function approximato

3、rs for feedback lineariz-able systems has proven to be a very e?ective way to design controllers based onapproximate knowledge of the system dynamics. Practical implementation of suchcontrollers on the aircraft have demonstrated their stability and performance charac-teristics, as well as superior f

4、ault tolerance when there is redundancy in the control.These real world experiments provide great momentum for theoretical research innonlinear adaptive control .【關鍵詞】自適應控制 非線性系統 狀態變時滯 神經網絡 反推 模糊隸屬函數 自適應組織特征映射【英文關鍵詞】Adaptive control Nonlinear system state time-varying delay Neuralnetworks Backsteppi

5、ng Fuzzy membership function Self-organizing feature map【索購全文】聯系Q1：138113721 Q2：139938848【目錄】基于神經網絡的含時滯非線性系統的自適應控制和模糊隸屬函數生成方法Acknowledgement4-5摘要5-6Abstract6-71 Introduction10-122 Adaptive Neural Network Control of SISO Nonlinear Systems With Unknown Time Delays12-162.1 Problem formulation and preli

6、minaries12-132.2 Control systemdesign13-142.3 Stability analysis14-152.4 Conclusion15-163 Adaptive neural control for MIMO nonlinear systems with state time-varying delay16-323.1 Problem formulation and preliminaries16-183.2 Control system design and stability analysis18-273.3 Simulation examples27-283.4 Conclusion28-324 Analysis of fuzzy membership function generation with unsupervised learning using self-organizing feature map32-414.1 Introduction32-334.2 A preliminary33-354.3 Utilizing SOFM to elicit membership func- tion from labelled data35-384.4 Experimental results on