CN110376879B - 一种基于神经网络的pid型迭代学习控制方法 - Google Patents
一种基于神经网络的pid型迭代学习控制方法 Download PDFInfo
- Publication number
- CN110376879B CN110376879B CN201910757702.7A CN201910757702A CN110376879B CN 110376879 B CN110376879 B CN 110376879B CN 201910757702 A CN201910757702 A CN 201910757702A CN 110376879 B CN110376879 B CN 110376879B
- Authority
- CN
- China
- Prior art keywords
- neural network
- iterative learning
- pid
- learning control
- controller
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 7
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
Description
技术领域
本发明涉及控制科学与工程领域,尤其涉及一种基于神经网络的PID型迭代学习控制方法。
背景技术
迭代学习是被控系统在有限时间区间不断吸取先前经验进行重复学习的一种控制方法。可以理解为:在被控系统进行第i次操作的时候,控制器把第(i-1)次及其之前的输入(输出)数据和误差利用起来,使被控系统在第i次操作当中获得比较好的执行效果。按照这样的方法不断地进行控制器修正,从而使被控系统走向期望的轨迹。
过去三十年来,迭代学习控制无论是在理论还是在应用方面,都取得了丰富的成果。然而,这些成果主要集中在解决已知模型的线性或者仿射非线性系统的迭代学习控制问题。例如:线性系统作为最基本的系统模型,其迭代学习理论自提出伊始就得到发展和丰富。对于简单的可以重复的连续(或离散)线性时变系统。已经形成了成熟的诸如P型,D型,PI型,PD型,PID型等类型的PID型迭代学习控制律,此外还有比较普遍的高阶学习律,反馈-前馈学习律等。同样,仿射非线性系统也有着成熟的PID型,高阶控制器等类型的迭代学习控制律。此外由于仿射非系统含有了非线性成分,一些文献会采用神经网络,小波逼近等方法来处理迭代学习问题。
而对于一般的非仿射非线性系统或者未知精确模型的非线性系统的迭代学习问题的研究成果,并不是很多。对于已知模型的非仿射非线性系统,主要有简单的P型,反馈-前馈型等迭代学习算法。对于未知模型的,有一些基本的数据驱动方法。因此如何将传统的有良好性能的控制器和数据驱动方法结合起来来完成非线性系统特别是未知的非线性系统的迭代学习控制是我们要解决问题。
发明内容
本发明提供了一种基于神经网络的PID型迭代学习控制方法,包括依次执行如下步骤:
步骤1:建立非线性差分系统的动态线性化模型,并给出其伪偏导数PPD的估计值表达式;
步骤2:建立基于神经网络的PID迭代学习控制器,具体给出神经网络拟合控制器参数kP,i(t),kI,i(t),kD,i(t)的方法以及神经网络权值更新法则;
步骤3:用伪偏导数PPD的估计值来代替神经网络权值更新法则中真实值,设计迭代学习控制方案。
上述一种基于神经网络的PID型迭代学习控制方法的步骤1中,系统的动态线性化和PPD的估计如下:
第一步骤,受控系统的数学模型:
假设所要进行迭代学习控制的受控系统具有如下非线性差分方程模型:
yi(t+1)=f(yi(t),yi(t-1),…,yi(t-ny),ui(t),ui(t-1),…,ui(t-nu)) (1)
其中,ui(t)和yi(t)分别是第i次迭代和第t个采样时刻的输入和输出信号;i∈I[1,+∞),t∈I[1,T];nu,ny是两个未知的正整数;f(…)是未知非线性标量函数;
对于公式(1)的SISO非线性系统,在提出其紧格式动态线性化模型之前,以下两个假设是必需的:
假设1 f(…)关于(它所包含的输入输出)各个变量的偏导数是连续的;
假设2系统沿着迭代轴方向满足Lipschitz条件,即对于t∈I[1,T],i∈I[1,+∞),若|Δui(t)|≠0,则下式成立:
|Δyi(t+1)|≤b|Δui(t)| (2)
其中,Δyi(t+1)=yi(t+1)-yi-1(t+1),Δui(t)=ui(t)-ui-1(t),b>0是个常数;
第二步骤,对受控系统的数学模型进行动态线性化;
对于受控系统(1),如果假设1和假设2成立,则系统可以转化为如下动态线性化形式:
上述一种基于神经网络的PID型迭代学习控制方法的步骤2中,RBF神经网络拟合PID控制器参数和神经网络的权值更新的过程如下:
第一步骤,动态PID控制器的形式:
不失一般性,我们定义在系统运行的过程当中第i次迭代第t时刻的跟踪误差为
ei(t)=yd(t)-yi(t)
其中yd(t)是t时刻的期望轨迹;
对于如下一般形式的PID型控制器:
其中,kP,i(t),kI,i(t),kD,i(t)分别是控制器的比例单元,积分单元,微分单元的动态参数;在实际应用当中选用参数kP,i(t),kI,i(t)和kD,i(t)的估计值 和来进行控制器设计,即选用如下形式控制器:
其中
wP,i(t)=[wP1,i(t) wP2,i(t) … wPm,i(t)]T
wI,i(t)=[wI1,i(t) wI2,i(t) … wIm,i(t)]T
wD,i(t)=[wD1,i(t) wD2,i(t) … wDm,i(t)]T
是神经网络的权值向量;
hP1,i(ZS,i(t))=[hP1,i(zS,i(t)) hP2,i(zS,i(t)) … hPm,i(zS,i(t))]T
hI1,i(ZS,i(t))=[hI1,i(zS,i(t)) hI2,i(zS,i(t)) … hIm,i(zS,i(t))]T
hD,i(ZS,i(t))=[hD1,i(zS,i(t)) hD2,i(zS,i(t)) … hDm,i(zS,i(t))]T
是隐藏层径向基函数组成的向量,其中向量
是神经网络的输入;
第三步骤,求取神经网络权值wP,i(t),wI,i(t)和wD,i(t)的更新法则:
其中,ηP,ηI,ηD>0为设定的学习因子。
上述一种基于神经网络的PID型迭代学习控制方法的步骤3中,实际运行的神经网络更新法则和迭代学习控制方案如下:
第二步骤,迭代学习控制方案包括:
步骤s1:首先设定神经网络的结构,给出隐藏层节点m的值,给出神经网络的中心和宽度以及第1次迭代时t∈I[1,T]的初始输入;给出其中的动态参数wP,1(t),wI,1(t),wD,1(t),t∈I[1,T]的初始值;给定系统的初始输入u1(t),t∈I[1,T]的值;给出其中的动态参数t∈I[1,T]的初始值;选择步长因子和学习因子μ,ηP,ηI,ηD的值;设置受控系统的初始值即对于i∈I[1,+∞),每次运行时在t=1时刻均有yi(1)=yd(1);
步骤s3:根据初值和参数值的设置使受控系统按照如下顺序运行:
步骤s4:重复执行步骤s1-s3的操作,直到本发明的PID型迭代学习控制方法取得良好的控制效果。
作为本发明的进一步实施,该PID型迭代学习控制方法还包括执行以下步骤:
步骤4:将步骤3所得到迭代学习控制方案应用到非线性系统数学模型和抓放机器人系统模型的控制中。
本发明的有益效果是:本发明提出的基于神经网络的PID型迭代学习控制方法,有效的把神经网络、PID控制器、系统的动态线性化技术结合起来解决非线性系统的迭代学习控制问题。其中,神经网络的强大的逼近能力使得迭代学习跟踪效果达到了良好的精度;PID控制器由此也被推广到一般的(未知的)非线性系统的迭代学习控制当中;系统的动态化模型的应用达到了从数据模型分析控制系统的效果。仿真研究验证了这种方案的有效性,并且实现了高效的迭代学习跟踪。
附图说明
图1是本发明实施例1对于非仿射非线性系统的最大跟踪误差曲线图;
图2是本发明实施例2的抓放机器人模型图;
图3是本发明实施例2对于抓放机器人模型的速度实行迭代学习控制时的最大跟踪误差曲线图。
具体实施方式
下面结合两个实施用例对本发明做进一步说明:
实施例1:
考虑如下系统:
显然,这是一个非仿射非线性系统。迭代学习任务当中期望的输出轨迹为:
yd(t)=0.5×(-1)round(t/10) t∈I[1,100]
我们采用本发明中所提出的迭代学习方案公式(17)对该系统进行控制,现在我们对神经网络的结构和参数的初值进行预先的设置。用来估计PID控制器增益的3个神经网络均采用带有3个节点的隐藏层,并且这3个神经网络的输入均为:
对于所有的i∈I[1,+∞),t∈I[1,T],我们设定神经网络的径向基函数中心均为[0 0 0]T,宽度均为100;对于所有的t∈I[1,T],第1次迭代神经网络的输入设定为zS,1(t)=[0 0 0]T。第1次迭代的权值为wP,1(t)=[0.2 0 0]T,wI,1(t)=[0 0 0]T,wD,1(t)=[0 00]T;对于所有的t∈I[1,T],第1次迭代系统的初始输入为u1(t)=0;对于所有的t∈I[1,T],第1次迭代系统的伪偏导数的初始值为对于所有的i∈I[1,+∞),系统在时刻t=1的输出yi(1)=yd(1);伪偏导数PPD的估计值表达式中步长因子选择为μ=0.05,神经网络权值学习因子选择为ηP=ηI=ηD=0.0001。
实施例2:
如图2是一个抓放机器人模型(参考非专利文献2:Liu N.Learningidentification and control for repetitive linear time-varying systems[D].University of Illinois at Urbana-Champaign,2014.),对于机械臂的转角θ,我们取状态变量x1=θ和并且以角速度为系统输出,可以得到如下二阶线性数学模型:
其中β=2Nm/rad是粘性摩擦系数,Kt=100是执行器增益,M(t)是时变的机械臂底端的质量,L=0.1m是机械臂的长度。在机械臂抓放过程当中,重物在第5秒被抓取,第10秒被放下。M(t)的质量也从1kg变到了10kg,然后又变回1kg。
取采样时间Ts=0.01s,在时间区间[1,10]内离散化模型(19)可以得到如下切换系统:
设定迭代学习任务当中期望的输出轨迹为:
yd(t)=2sin(πt/1000) t∈I[1,1000]
我们采用本章所提出的迭代学习方案(17)对该系统进行控制。现在我们对神经网络的结构和参数的初值进行预先的设置。用来估计PID控制器增益的3个神经网络均采用带有3个节点的隐藏层,并且这3个神经网络的输入均为:
对于所有的i∈I[1,+∞),t∈I[1,T],我们设定神经网络的径向基函数中心均为[0 0 0]T,宽度均为20000;对于所有的t∈I[1,T],第1次迭代神经网络的输入设定为zS,1(t)=[0 0 0]T,第1次迭代的权值为wP,1(t)=[0.01 0 0]T,wI,1(t)=[0 0 0]T,wD,1(t)=[00 0]T;对于所有的t∈I[1,T],第1次迭代系统的初始输入为u1(t)=0;对于所有的t∈I[1,T],第1次迭代系统的伪偏导数的初始值为对于所有的i∈I[1,+∞),系统在时刻t=1的输出yi(1)=yd(1);伪偏导数PPD的估计值表达式中步长因子选择为μ=0.01,神经网络权值学习因子选择为ηP=ηI=ηD=0.00001。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种基于神经网络的PID型迭代学习控制方法,其特征在于,包括依次执行如下步骤:
步骤1:建立非线性差分系统的动态线性化模型,并给出其伪偏导数PPD的估计值表达式;
步骤2:建立基于神经网络的PID迭代学习控制器,具体给出神经网络拟合控制器参数kP,i(t),kI,i(t),kD,i(t)的方法以及神经网络权值更新法则;
步骤3:用伪偏导数PPD的估计值来代替神经网络权值更新法则中真实值,设计迭代学习控制方案;
所述步骤2中,RBF神经网络拟合PID控制器参数和神经网络的权值更新的过程如下:
第一步骤,动态PID控制器的形式:
不失一般性,我们定义在系统运行的过程当中第i次迭代第t时刻的跟踪误差为
ei(t)=yd(t)-yi(t)
其中yd(t)是t时刻的期望轨迹;
对于如下一般形式的PID型控制器:
其中,kP,i(t),kI,i(t),kD,i(t)分别是控制器的比例单元,积分单元,微分单元的动态参数;在实际应用当中选用参数kP,i(t),kI,i(t)和kD,i(t)的估计值 和来进行控制器设计,即选用如下形式控制器:
其中
wP,i(t)=[wP1,i(t) wP2,i(t)…wPm,i(t)]T
wI,i(t)=[wI1,i(t) wI2,i(t)…wIm,i(t)]T
wD,i(t)=[wD1,i(t) wD2,i(t)…wDm,i(t)]T
是神经网络的权值向量;
hP1,i(ZS,i(t))=[hP1,i(zS,i(t)) hP2,i(zS,i(t))…hPm,i(zS,i(t))]T
hI1,i(ZS,i(t))=[hI1,i(zS,i(t)) hI2,i(zS,i(t))…hIm,i(zS,i(t))]T
hD,i(ZS,i(t))=[hD1,i(zS,i(t)) hD2,i(zS,i(t))…hDm,i(zS,i(t))]T
是隐藏层径向基函数组成的向量,其中向量
是神经网络的输入;
第三步骤,求取神经网络权值wP,i(t),wI,i(t)和wD,i(t)的更新法则:
其中,ηP,ηI,ηD>0为设定的学习因子;
所述步骤3中,实际运行的神经网络更新法则和迭代学习控制方案如下:
第二步骤,迭代学习控制方案包括:
步骤s1:首先设定神经网络的结构,给出隐藏层节点m的值,给出神经网络的中心和宽度以及第1次迭代时t∈I[1,T]的初始输入;给出其中的动态参数wP,1(t),wI,1(t),wD,1(t),t∈I[1,T]的初始值;给定系统的初始输入u1(t),t∈I[1,T]的值;给出其中的动态参数t∈I[1,T]的初始值;选择步长因子和学习因子μ,ηP,ηI,ηD的值;设置受控系统的初始值即对于i∈I[1,+∞),每次运行时在t=1时刻均有yi(1)=yd(1);
步骤s3:根据初值和参数值的设置使受控系统按照如下顺序运行:
步骤s4:重复执行步骤s1-s3的操作,直到所述PID型迭代学习控制方法取得良好的控制效果。
2.根据权利要求1所述的PID型迭代学习控制方法,其特征在于,所述步骤1中,系统的动态线性化和PPD的估计如下:
第一步骤,受控系统的数学模型:
假设所要进行迭代学习控制的受控系统具有如下非线性差分方程模型:
yi(t+1)=f(yi(t),yi(t-1),…,yi(t-ny),ui(t),ui(t-1),…,ui(t-nu)) (1)
其中,ui(t)和yi(t)分别是第i次迭代和第t个采样时刻的输入和输出信号;i∈I[1,+∞),t∈I[1,T];nu,ny是两个未知的正整数;f(…)是未知非线性标量函数;
对于公式(1)的SISO非线性系统,在提出其紧格式动态线性化模型之前,以下两个假设是必需的:
假设1f(…)关于它所包含的输入输出各个变量的偏导数是连续的;
假设2系统沿着迭代轴方向满足Lipschitz条件,即对于t∈I[1,T],i∈I[1,+∞),若|Δui(t)|≠0,则下式成立:
|Δyi(t+1)|≤b|Δui(t)| (2)
其中,Δyi(t+1)=yi(t+1)-yi-1(t+1),Δui(t)=ui(t)-ui-1(t),b>0是个常数;
第二步骤,对受控系统的数学模型进行动态线性化;
对于受控系统(1),如果假设1和假设2成立,则系统可以转化为如下动态线性化形式:
3.根据权利要求1至2任一项所述的PID型迭代学习控制方法,其特征在于,该PID型迭代学习控制方法还包括执行以下步骤:
步骤4:将步骤3所得到迭代学习控制方案应用到非线性系统数学模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757702.7A CN110376879B (zh) | 2019-08-16 | 2019-08-16 | 一种基于神经网络的pid型迭代学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757702.7A CN110376879B (zh) | 2019-08-16 | 2019-08-16 | 一种基于神经网络的pid型迭代学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376879A CN110376879A (zh) | 2019-10-25 |
CN110376879B true CN110376879B (zh) | 2022-05-10 |
Family
ID=68259586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757702.7A Active CN110376879B (zh) | 2019-08-16 | 2019-08-16 | 一种基于神经网络的pid型迭代学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376879B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716499B (zh) * | 2019-10-30 | 2022-03-08 | 南京航空航天大学 | 基于单神经元pid和迭代学习前馈的数控折弯机运动复合控制方法 |
CN111200378B (zh) * | 2020-02-13 | 2021-04-20 | 广州大学 | 一种基于迭代学习的压电电机节能控制方法 |
CN111399374B (zh) * | 2020-02-27 | 2021-01-19 | 哈尔滨工业大学 | 基于rbf神经网络的线性输出调节跟踪控制方法及系统 |
CN113093521A (zh) * | 2021-03-19 | 2021-07-09 | 江苏固德威电源科技股份有限公司 | 一种动态pid控制方法和一种动态pid控制器 |
CN113296393A (zh) * | 2021-05-27 | 2021-08-24 | 安徽工业大学 | 基于自调整模糊迭代学习的二连杆机械臂控制方法、装置及介质 |
CN114063438B (zh) * | 2021-11-12 | 2023-09-22 | 辽宁石油化工大学 | 一种数据驱动的多智能体系统pid控制协议自学习方法 |
CN114488818B (zh) * | 2022-01-28 | 2023-09-29 | 青岛科技大学 | 一种pid控制系统的设定点迭代学习优化方法 |
CN114815618B (zh) * | 2022-04-29 | 2023-05-16 | 哈尔滨工业大学 | 一种基于动态增益的自适应神经网络跟踪控制方法 |
CN116619383B (zh) * | 2023-06-21 | 2024-02-20 | 山东大学 | 基于确定学习的机械臂pid控制方法及系统 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
CN102662322B (zh) * | 2012-04-10 | 2014-06-04 | 西华大学 | 一种fpga处理器及pid膜优化神经网络控制器 |
CN106959613A (zh) * | 2017-04-12 | 2017-07-18 | 哈尔滨工业大学深圳研究生院 | Siso系统基于最近更新信息的动态线性化自适应控制律算法 |
CN107490963A (zh) * | 2017-08-16 | 2017-12-19 | 哈尔滨工业大学深圳研究生院 | 基于最新估计的动态线性化自适应滑模控制方法 |
CN107579689A (zh) * | 2017-08-28 | 2018-01-12 | 南京理工大学 | 一种基于pid神经网络控制器的超高速永磁同步电机转速控制方法 |
CN108008627B (zh) * | 2017-12-13 | 2022-10-28 | 中国石油大学(华东) | 一种并行优化的强化学习自适应pid控制方法 |
CN108873705A (zh) * | 2018-07-19 | 2018-11-23 | 杭州电子科技大学 | 一种基于非线性pid的hh神经元同步控制方法 |
CN109162813B (zh) * | 2018-10-09 | 2019-10-11 | 南京航空航天大学 | 一种基于迭代学习修正的航空发动机智能转速控制方法 |
CN109255498A (zh) * | 2018-10-22 | 2019-01-22 | 新智数字科技有限公司 | 基于神经网络的负荷预测方法及装置 |
CN109640024B (zh) * | 2018-12-21 | 2023-06-23 | 哈尔滨工业大学(深圳) | 基于伪随机数的三维抖动显示装置与方法 |
CN109839824A (zh) * | 2019-01-24 | 2019-06-04 | 青岛理工大学 | 一种基于预测控制的网络控制系统时延补偿方法 |
CN109597449A (zh) * | 2019-01-30 | 2019-04-09 | 杭州庆睿科技有限公司 | 一种基于神经网络的超声波分散仪温度控制方法 |
-
2019
- 2019-08-16 CN CN201910757702.7A patent/CN110376879B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110376879A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376879B (zh) | 一种基于神经网络的pid型迭代学习控制方法 | |
Huang et al. | Event-triggered adaptive finite-time tracking control for full state constraints nonlinear systems with parameter uncertainties and given transient performance | |
CN110376901B (zh) | 一种基于动态控制器的迭代学习控制方法 | |
Lee et al. | Precise tracking control of shape memory alloy actuator systems using hyperbolic tangential sliding mode control with time delay estimation | |
CN113110059B (zh) | 基于事件触发的单连杆机械臂系统实际跟踪的控制方法 | |
Lee et al. | Experimental implementation of nonlinear TORA system and adaptive backstepping controller design | |
Lin et al. | A robust self-learning PID control system design for nonlinear systems using a particle swarm optimization algorithm | |
Hsu | A self-evolving functional-linked wavelet neural network for control applications | |
Van Kien et al. | Adaptive fuzzy sliding mode control for nonlinear uncertain SISO system optimized by differential evolution algorithm | |
Hsu et al. | Intelligent nonsingular terminal sliding-mode control via perturbed fuzzy neural network | |
Kumar et al. | Lyapunov stability-based control and identification of nonlinear dynamical systems using adaptive dynamic programming | |
Fujinaka et al. | Stabilization of double inverted pendulum with self-tuning neuro-PID | |
Choi et al. | Filter-driven-approximation-based control for a class of pure-feedback systems with unknown nonlinearities by state and output feedback | |
Xing et al. | State-estimator-based robust vibration control of crane bridge system with trolley via PDE model | |
Yoo | Low-complexity robust tracking of high-order nonlinear systems with application to underactuated mechanical dynamics | |
Chen et al. | Recurrent wavelet neural backstepping controller design with a smooth compensator | |
Yu et al. | Fault tolerant control for near space vehicles with input saturation using disturbance observer and neural networks | |
CN113459083B (zh) | 一种事件触发下的机械臂自适应固定时间控制方法及系统 | |
Kim et al. | Reinforcement adaptive learning neural network based friction compensation for high speed and precision | |
Nath et al. | Design of neural network based sliding mode controller for a class of nonlinear system: an event-triggered framework | |
Deb et al. | NN-based high-order adaptive compensation framework for signal dependencies | |
Szulc et al. | A framework for reinforcement learning with autocorrelated actions | |
Emami et al. | Systematic design and analysis of fuzzy-logic control and application to robotics: Part II. Control | |
Chen et al. | Neural network compensator-based robust iterative learning control scheme for mobile robots nonlinear systems with disturbances and uncertain parameters | |
Moghaddam et al. | Constrained sliding mode control of nonlinear fractional order input affine systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |