针对智能汽车的智能循迹控制问题,提出一种自适应神经网络动态面控制算法。该方法解决了传统反步法中的"微分爆炸"现象,考虑到动力学模型中存在的不确定项、外部干扰以及控制输入饱和受限问题,采用RBF径向基函数神经网络对其实现补偿控制。为解决控制过程中可能会出现的代数环问题,预先将RBF中的控制输入项进行低通滤波处理。设计相应的Lyapunov函数证明了闭环系统的所有误差,并将设计的控制算法与无饱和受限情况下的控制算法进行对比,仿真结果进一步验证了该控制算法的有效性和可靠性。

电液制动装置是矿井提升机最后一道安全保障设备,合理的制动控制方法是保障提升机安全运行的关键。以单绳缠绕式矿井提升机为研究对象,考虑钢丝绳柔性特性,基于拉格朗日方程构建了提升系统非线性制动控制模型。采用径向基函数神经网络估计制动过程罐道摩擦力、非定常扰动、建模误差等不确定性,结合反步设计原理提出了基于模型的矿井提升机电液制动非线性控制方法,引入自适应更新律对神经网络权值进行在线调节,增强了设计控制方法的鲁棒性

该文提出了一种基于预测模型的神经网络自适应控制器的设计方法,并应用在某型航空气动伺服系统中.局部模型预测器具有自学习功能,能动态逼近非线性输入-输出数据,将其与自适应神经网络算法结合起来有利于提高系统的动态性能.实验仿真结果表明,该文提出的自适应控制器具有良好的动态品质,对系统参数的变化亦有很强的鲁棒性.