收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

Deterministic Learning from NN Output Feedback Control of Brunovsky Systems

【摘要】:正Recently,a deterministic learning theory was presented in which an appropriately designed adaptive neural controller can learn the system internal dynamics while attempting to control a class of nonlinear systems.In this paper,we investigate deterministic learning from adaptive neural network(NN) control of Brunovsky systems by using only output measurements.A high-gain observer(HGO) is first adopted to accurately estimate the derivatives of the system output.Then,an adaptive output feedback NN controller is proposed to guarantee that the output tracking error is small and bounded.The difficulty caused by the unknown affine term in deterministic learning is analyzed,the measures to eliminate peaking phenomenon associated with the use of HGO is proposed.When a partial persistent excitation(PE) condition is satisfied,tracking to an output recurrent reference trajectory and the exponential stability of the linear time-varying(LTV) system can be guaranteed.Locally accurate identification of the unknown closed-loop system dynamics can be achieved along a periodic orbit of closed-loop estimated signals.Consequently,learning from NN output feedback control of Brunovsky system is implemented.A neural learning control scheme is proposed which can effectively recall and reuse the learned knowledge to achieve the well output tracking performance.It simplifies the controller design,saves the computing time and decreases amounts of output actuators in practical implementation.

知网文化
【相似文献】
中国重要会议论文全文数据库 前10条
1 ;Deterministic Learning from NN Output Feedback Control of Brunovsky Systems[A];中国自动化学会控制理论专业委员会D卷[C];2011年
2 ;Adaptive State-Feedback Stabilization for High-Order Stochastic Nonlinear Systems with Time-Varying Control Coefficients[A];第二十六届中国控制会议论文集[C];2007年
3 ;A Dual Observer Method for Global Output Feedback Stabilization of a Class of Nonlinear Systems[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
4 ;Global Output-Feedback Asymptotic Stabilization for a Class of Uncertain Nonlinear Systems with Unknown Growth Rate[A];中国自动化学会控制理论专业委员会B卷[C];2011年
5 ;State-Feedback Stabilization Control Design for a Class of Time-Delay High-Order Nonlinear Systems[A];中国自动化学会控制理论专业委员会B卷[C];2011年
6 ;Output-Feedback Stabilization of High-order Stochastic Nonlinear Systems with More General Growth Conditions[A];中国自动化学会控制理论专业委员会B卷[C];2011年
7 ;A CPG-based Sensory Feedback Control Method for Robotic Fish Locomotion[A];中国自动化学会控制理论专业委员会A卷[C];2011年
8 ;Output-Feedback Robust Adaptive Control for Strict-feedback Stochastic Nonlinear Systems under Inverse Optimality Costs[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
9 ;New Results on Output Feedback Disturbance Attenuation of Saturated Linear Systems[A];中国自动化学会控制理论专业委员会C卷[C];2011年
10 ;Adaptive Stabilization of Cascade Systems via Smooth Partial-State Feedback[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
中国博士学位论文全文数据库 前4条
1 何所惧;人工智能在游戏中的应用:游戏玩家的实时建模及对手的智能适配[D];北京邮电大学;2010年
2 李晓强;基于在线逼近的不确定非线性系统控制研究[D];大连海事大学;2011年
3 尚芳;多类不确定非线性系统输出反馈控制设计[D];山东大学;2010年
4 王轶;基于迭代学习控制的几类列车自动控制问题研究[D];北京交通大学;2010年
中国硕士学位论文全文数据库 前10条
1 宋天恒;基于强化学习算法的发酵过程多目标优化[D];北京化工大学;2011年
2 MUKWENDE PLACIDE(穆昆);基于信息衰减由时空数据挖掘驱动的预测Agent学习[D];中南大学;2011年
3 黄河;基于结构分析的非贝叶斯社会学习模型研究[D];上海交通大学;2012年
4 赵丛然;两类复杂系统的控制器设计与分析[D];曲阜师范大学;2012年
5 刘亮;随机高阶非线性系统的控制器设计与稳定性分析[D];曲阜师范大学;2010年
6 王楠楠;不确定非线性系统的输出反馈控制[D];曲阜师范大学;2010年
7 李海方;切换线性控制系统的线性状态反馈能稳性[D];复旦大学;2010年
8 刘文辉;时滞系统的输入—状态稳定性[D];郑州大学;2010年
9 邢双云;广义系统的比例导数输出反馈控制[D];东北大学;2008年
10 王欣;基于Logistic回归模型的多示例学习算法研究[D];大连理工大学;2011年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978