自适应模糊控制几个基本问题的研究进展
第五章++模糊自适应控制
E (kT − dT ) = fuzz[e(kT − dT )] ∆E (kT − dT ) = fuzz[∆e(kT − dT )] U (kT − dT ) = fuzz[u (kT − dT )] V (kT − dT ) = fuzz[u (kT − dT ) + Pi (kT )]
如此模糊化后， 如此模糊化后，原来的控制相当于执行如下的控 制规则： 制规则： 若 e( kT − dT ) 是 E (kT − dT ) and ∆e( kT − dT ) 是 ∆E ( kT − dT ) ，则u是 U ( kT − dT ) 该控制规则需修改为: 该控制规则需修改为: 若 e( kT − dT ) 是 E (kT − dT ) and ∆e( kT − dT ) 是 ∆E ( kT − dT ) ，则u是 V ( kT − dT ) 写成模 是 糊关系矩阵为
2 控制对象增量模型 性能测量给出了为达到期望的系统性能所需要 的输出修正量。为实现自适应控制， 的输出修正量。为实现自适应控制，需将该输 出修正量变换为控制修正量， 出修正量变换为控制修正量，所以必须对控制 对象的特性有一定了解。 对象的特性有一定了解。 1） （1）需知道过去哪一时刻的控制量影响当前时刻 的系统性能，即必须知道控制对象延迟时间dT, 的系统性能，即必须知道控制对象延迟时间 它决定了应对哪一时刻的控制作用加以修正。 它决定了应对哪一时刻的控制作用加以修正。 （2）对多变量系统，对于给定的输出修正量，需 ）对多变量系统，对于给定的输出修正量， 知道应修正哪一个输入控制作用及所需的修正 多变量系统带来输入与输出间的交叉耦合， 量。多变量系统带来输入与输出间的交叉耦合， 因而需知道控制对象的增量模型J(表示 因而需知道控制对象的增量模型 表示
模糊控制理论及应用
模糊控制理论及应用模糊控制是一种基于模糊逻辑的控制方法，它能够应对现实世界的不确定性和模糊性。
本文将介绍模糊控制的基本原理、应用领域以及未来的发展趋势。
一、模糊控制的基本原理模糊控制的基本原理是基于模糊逻辑的推理和模糊集合的运算。
在传统的控制理论中，输入和输出之间的关系是通过精确的数学模型描述的，而在模糊控制中，输入和输出之间的关系是通过模糊规则来描述的。
模糊规则由模糊的IF-THEN语句组成，模糊推理通过模糊规则进行，从而得到输出的模糊集合。
最后，通过去模糊化操作将模糊集合转化为具体的输出值。
二、模糊控制的应用领域模糊控制具有广泛的应用领域，包括自动化控制、机器人控制、交通控制、电力系统、工业过程控制等。
1. 自动化控制：模糊控制在自动化控制领域中起到了重要作用。
它可以处理一些非线性和模糊性较强的系统，使系统更加稳定和鲁棒。
2. 机器人控制：在机器人控制领域，模糊控制可以处理环境的不确定性和模糊性。
通过模糊控制，机器人可以对复杂的环境做出智能响应。
3. 交通控制：模糊控制在交通控制领域中有重要的应用。
通过模糊控制，交通信号可以根据实际情况进行动态调整，提高交通的效率和安全性。
4. 电力系统：在电力系统中，模糊控制可以应对电力系统的不确定性和复杂性。
通过模糊控制，电力系统可以实现优化运行，提高供电的可靠性。
5. 工业过程控制：在工业生产中，许多过程具有非线性和不确定性特点。
模糊控制可以应对这些问题，提高生产过程的稳定性和质量。
三、模糊控制的发展趋势随着人工智能技术的发展，模糊控制也在不断演进和创新。
未来的发展趋势主要体现在以下几个方面：1. 混合控制：将模糊控制与其他控制方法相结合，形成混合控制方法。
通过混合控制，可以充分发挥各种控制方法的优势，提高系统的性能。
2. 智能化：利用人工智能技术，使模糊控制系统更加智能化。
例如，引入神经网络等技术，提高模糊控制系统的学习和适应能力。
3. 自适应控制：模糊控制可以根据系统的变化自适应地调整模糊规则和参数。
智能控制作业_模糊自适应PID控制
模糊自适应PID 控制的Matlab 仿真设计研究姓名：陈明学号：201208070103班级：智能1201一、 模糊控制思想、PID 控制理论简介：在工业生产过程中，许多被控对象受负荷变化或干扰因素很多基于模糊自适应控制理论, 设计了一种模糊自适应PID 控制器, 具体介绍了这种PID 控制器的控制特点及参数设计规则, 实现PID 控制器的在线自整定和自调整。
通过matlab 软件进行实例,仿真表明, , 提高控制系统实时性和抗干扰能力,易于实现．便于工程应用。
1.1 模糊控制的思想：应用模糊数学的基本理论和方法, 控制规则的条件、操作用模糊集来表示、并把这些模糊控制规则以及有关信息, 诸如PID 控制参数等作为知识存入计算机知识库, 然后计算机根据控制系统的实际情况(系统的输入, 输出) , 运用模糊推理。
1.2 PID 算法：u(t)=k p * e(t)+k i * ∫e(t)t 0dt +k d *de(t)dt= k p *e(t)+ k i *∑e i (t) + k d * e c (t)其中, u (t) 为控制器输出量, e(t) 为误差信号, e c (t)为误差变化率, k p , k i , k d 分别为比例系数、积分系数、微分数。
然而，课本中，为了简化实验难度，只是考虑了kp ，ki 参数的整定。
1.3 模糊PID 控制器的原理图：二、基于Matlab的模糊控制逻辑模块的设计关于模糊逻辑的设计，主要有隶属函数的编辑，参数的选型，模糊规则导入，生成三维图等观察。
2.1 模糊函数的编辑器的设定：打开matlab后，在命令窗口输入“fuzzy”，回车即可出现模糊函数编辑器，基本设置等。
基于课本的实验要求，我选的是二输入（e, e c）二输出（k p ,k i）。
需要注意的是，在命名输入输出函数的时候，下标字母需要借助下划线的编辑，即e_c 能够显示为e c。
2.2四个隶属函数的N, Z, P 函数设定：在隶属函数的设定中，N 选用的是基于trimf（三角形隶属函数） , Z是基于zmf（Z型隶属函数），P是基于smf（S型隶属函数）。
控制理论中的自适应控制与模糊控制
控制理论中的自适应控制与模糊控制自适应控制与模糊控制是控制理论中的两种重要方法，它们都具有适应性和鲁棒性，并且在不同的工程领域中广泛应用。
本文将分别介绍自适应控制和模糊控制的原理和应用，并比较它们的优缺点。
1. 自适应控制自适应控制是一种实时调节控制器参数的方法，以实现对系统模型和动态特性的跟踪和适应。
自适应控制的基本原理是通过不断观察和检测系统的输入和输出，根据误差的大小来调整控制器的参数，从而实现对系统的控制。
自适应控制的核心是自适应算法，常用的自适应算法有最小均方（LMS）算法、普罗弗洛夫诺夫（P-N）算法等。
通过这些算法，控制系统能够根据实时的输入输出信息，对控制器的参数进行在线调整，从而实现对未知或变化的系统模型的自适应控制。
自适应控制具有以下优点：- 可适应性强：自适应控制能够根据实时的系统输入输出信息调整控制器参数，适应不同的系统模型和工作条件。
- 鲁棒性好：自适应控制对于系统参数的不确定性和变化有很好的鲁棒性，能够有效应对系统参数的变化和干扰。
然而，自适应控制也存在以下缺点：- 算法设计复杂：自适应控制的算法设计和调试较为复杂，通常需要深入了解系统模型和控制理论。
- 需要大量计算资源：自适应控制需要实时处理系统的输入输出信息，并进行参数调整，因此需要较大的计算资源和实时性能。
2. 模糊控制模糊控制是一种基于模糊逻辑的控制方法，它通过建立模糊规则和模糊推理来实现对非精确或模糊信息的处理和控制。
模糊控制的核心是模糊推理机制，通过将输入量和输出量模糊化，使用模糊规则进行推理和控制。
模糊控制的优点包括：- 不需要准确的数学模型：模糊控制可以处理非精确、模糊的输入输出信息，对于某些复杂系统，很难建立准确的数学模型，而模糊控制能够处理这种模糊性。
- 鲁棒性好：模糊控制对于系统参数的变化和干扰有较好的鲁棒性，能够在一定程度上应对不确定性和噪声的干扰。
然而，模糊控制也存在以下缺点：- 规则设计困难：模糊控制的性能很大程度上依赖于设计合理的模糊规则，而模糊规则的设计需要充分的专业知识和经验。
关于基于深度学习技术的模糊自适应PID控制方法
关于基于深度学习技术的模糊自适应PID控制方法近年来，深度学习技术在各个领域得到了广泛的应用，其在控制算法领域中也获得了不少关注。
PID控制器是最基本、最常用的控制器，而模糊PID控制则可以在更广泛的动态环境下实现优良的控制性能。
而基于深度学习技术的模糊自适应PID控制方法在PID控制器的基础之上进行了改进，在实际应用中具有更高的可靠性和更好的性能。
一、基于深度学习的PID控制PID控制器利用误差与积分、微分值的比例关系不断地调整输出控制量，使被控制对象达到所期望的状态。
在传统的PID控制器中，比例、积分、微分系数是固定不变的，因此当受控对象的环境变化或负载变化时，控制器就无法适应参数变化。
为了弥补PID控制器在适应变化环境方面存在的问题，模糊PID控制器应运而生。
模糊PID控制器是将传统的PID控制器中三个系数改为模糊化系数，并利用模糊控制中的专家经验与经验法则来调节模糊化系数。
模糊PID控制器可以使用人工经验法则来调节模糊化系数，也可以通过进行基于模型的强化学习方法来进行跟踪控制。
然而，即使模糊PID控制器采用了模糊化系数来适应环境变化，其控制性能仍存在瓶颈，因为模糊化系数在不同工况下不能做到自适应。
此时，基于深度学习技术的模糊自适应PID控制方法可以处理这些不可预测和变化的干扰，从而实现更强大的鲁棒性。
二、基于深度学习的模糊自适应PID控制方法基于深度学习的模糊自适应PID控制是一种通过深度学习网络自适应地控制PID参数的方法。
与传统的PID控制器不同，该方法采用神经网络作为控制器，利用深度学习算法来提高控制器的自适应性和鲁棒性。
此外，该方法还利用模糊控制法来处理由系统环境和负载变化带来的复杂干扰。
一般情况下，基于深度学习的模糊自适应PID控制方法可以分为以下几个步骤：1. 收集系统数据和环境变化数据，基于这些数据训练深度学习网络，学习对于不同干扰模式的响应。
2. 利用模糊控制法调节PID的三个模糊化系数，让其适应不同工况下的控制需求。
非线性液位系统的稳定自适应模糊控制研究
瓜
一
【 Ｊ一 一 一 百
将 此控 制 策 略 应 用 于 时 变 非 线 性 锅 炉 液 位 系统
中， 取得 了令人满 意 的控 制效 果 。
控 制方 法控 制精 度 都不 能 保 证 ， 时 甚 至 可 能 出 有
现不稳 定 的情 况 。文 献 ［ ］ 出改 进 型 广 义 预测 １提 控 制方 法 ， 取得 了 良好 的 跟踪 特 性 和 较 强 的鲁 棒 性 。文 献［ ］ 出基 于遗 传 整 定 的 模 糊 免疫 Ｐ Ｄ ２提 Ｉ
１ 引 言
液位 是工业 过 程 中常见且 非常 重要 的被 控变 量 。复 杂工业 过程 的液位 系统 具有 大惯 性 、 时变 、 非 线性 的动态 特性 ， 统 的 Ｐ Ｄ控 制 和 模糊 Ｐ Ｄ 传 Ｉ Ｉ
控制 。此 控制 策 略无 需 进 行 系 统 辨 识 ， 改 进 的 其 补偿器 与 文 献 ［ ］ 出 的 相 比更 易 于 工 程 整 定 。 ４提
Ｋｅ ｗｏ ｄ ｎ ｎｌｎｅ ｉｕｉ ｅ ｌｓ ｓ ｅ ｙ ｒ ｓ： ｏ ｉ ａｒｌｑ ｄ ｌｖｅ ｙ ｔ ｍ ｖ ｒａ ｅ ｕｎ ｖ ｒ ｅ Ｌｙ ｐｕ ａ ｉｂｌ ｉ ｅ ｓ ａ ｎｏｖ ｓ ａ ｌｔ ａ ｐ ｉｅ ｆ ｚ ｏｎｔｏｌ ｔ ｂｉ ｙ ｉ ｄａ ｔｖ ｕｚ ｙ ｃ ｒ
Ｒｅ ｅ ｒ ｈ ｏ ｔ ｂ ｅ Ａｄ ｐｔｖ ｚ ｙ Ｃｏ ｔ ｏ ｓ ａ ｃ ｎ ａ Ｓ ａ ｌ ａ ｉ ｅ Ｆｕ ｚ ｎ ｒ ｌ ｏ ｏ ｉ ｅ ｒＬｉ ｉ ｖ ｌＳ ｓｅ ’ ｆＮ ｎｌｎ ａ ｑｕｇ Ｈ ｉ Ｗ ａ ｇ Ｑｉ ｒ ｏ ａ ｎ ｐｎ ｈ ｎ ｕ ｎ ｎｕ
4 自适应模糊控制-智能控制——理论基础、算法设计与应用-刘金琨-清华大学出版社
R x y B x i1i2 u
：如果
为 且 1
Ai1 1
2
为 Ai2 2
，则
为 i1i2
其中，i1 1, 2, , N1, i2 1, 2, , N2
将模糊集Bi1i2 的中心（用y i1i2 表示）选择为
y g e , e i1i2
i1
i2
1
2
（4.1）
步骤3：采用乘机推理机，单值模糊器和中心平
自适应模糊控制是指具有自适应学习算法的模糊逻辑系 统，其学习算法是依靠数据信息来调整模糊逻辑系统的参数。 一个自适应模糊控制器可以用一个单一的自适应模糊系统构 成，也可以用若干个自适应模糊系统构成。与传统的自适应 控制相比，自适应模糊控制的优越性在于它可以利用操作人 员提供的语言性模糊信息，而传统的自适应控制则不能。这 一点对具有高度不确定因素的系统尤其重要。
采用乘机推理机单值模糊器和中心平均解模糊器根据条规则来构造模糊系统42412模糊系统的逼近精度万能逼近定理表明模糊系统是除多项函数逼近器神经网络之外的一个新的万能逼近器
第4章 自适应模糊控制
模糊控制的突出优点是能够比较容易地将 人的控制经验溶入到控制器中，但若缺乏这样 的控制经验，很难设计出高水平的模糊控制器。 而且，由于模糊控制器采用了IF-THRN控制规 则，不便于控制参数的学习和调整，使得构造 具有自适应的模糊控制器较困难。
取控制律为
u
1 g(x)
f
x
y (n) m
ΚTe
(4.9)
将(4.9)代入(4.7),得到闭环控制系统的方程：
e(n) k e(n1) k e 0
1
n
(4.10)
由 的选取，可得 t 时 e(t) 0 ，即系统的输
非线性系统的自适应控制方法研究
非线性系统的自适应控制方法研究Chapter 1 介绍非线性系统是许多实际工程系统中常见的一种系统模型。
非线性系统对于传统控制方法来说，设计控制系统的难度往往较大，并且传统控制方法很难应对非线性系统的各种复杂情况。
因此，非线性系统自适应控制方法的研究成为了当前研究热点之一。
本文主要介绍非线性系统自适应控制方法的研究现状，并分析各种方法的优缺点。
Chapter 2 非线性系统自适应控制方法的基本原理非线性系统自适应控制方法的基本原理是针对非线性系统建立一个自适应控制器，通过不断地对控制器进行调整，使其能够对非线性系统进行有效的控制。
一般来说，非线性系统自适应控制方法主要包括以下几个方面的内容：1. 系统建模：非线性系统的建模是非线性系统控制的关键。
建模的目的是将复杂的非线性系统转化为简单的线性系统，并提高控制器的设计能力和适应性。
2. 自适应控制器设计：自适应控制器是用来控制非线性系统的核心，包括参数估计、适应性机构等多个模块。
3. 控制器参数调整：通过不断地对控制器参数进行调整，使其能够更好地适应非线性系统的变化，并保证系统的稳定性。
4. 系统性能分析：对于非线性系统的自适应控制方法，主要评价指标包括收敛速度、控制精度、抗干扰能力等多个方面。
Chapter 3 常见的非线性系统自适应控制方法1. 自适应后备控制方法自适应后备控制方法是一种新型的控制方法，它能够有效地应对非线性系统的各种复杂情况。
该控制方法主要基于传统线性控制器，当控制器失效时，后备控制器便能够起到控制的作用。
2. 自适应模糊控制方法自适应模糊控制方法是一种结合了神经网络和模糊逻辑的控制方法。
该方法利用模糊逻辑的优点进行控制，通过神经网络对系统进行建模，并不断地调整控制器的参数，以达到控制目的。
3. 自适应神经网络控制方法自适应神经网络控制方法是一种能够自适应调整神经网络权值的控制方法。
该方法结合神经网络的灵活性和自适应能力，能够很好地应对各种不同的非线性系统。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1自适应模糊控制几个基本问题的研究进展 谢振华 程江涛 耿昌茂 (海军航空工程学院青岛分院航空军械系 青岛 266041 ) 周德云 (西北工业大学 西安 710072 )
[摘要] 综述了模糊控制系统的稳定性分析、系统设计及系统性能提高三个基本问题的研究 ,简述了应用研究 ,最后对自适应模糊控制的理论和应用进行了展望。
关键词 模糊控制 自适应控制 鲁棒性 稳定性 1 引言 自从 L. A. Zadeh提出模糊集合论以来 ,基于该理论形成一门新的模糊系统理论学科 ,在控制、信号处理、模式识别、通信等领域得到了广泛的应用。近年来 ,有关模糊控制理论及应用研究引起了学术界的极大兴趣 ,取得了一系列成功的应用和理论成果 ,与早期的模糊控制理论和应用相比有了很大的发展。模糊控制理论成为智能控制理论的一个重要分支。 一般来讲 ,模糊控制理论研究的核心问题在于如何解决模糊控制中关于稳定性和鲁棒性分析、系统的设计方法 (包括规则的获取和优化、隶属函数的选取等 )、控制系统的性能 (稳态精度、抖动及积分饱和度等 )的提高等问题 ,这己成为模糊控制研究中的几个公认的基本问题。其中 ,稳定性和鲁棒性问题的研究最为热烈 ,从早期基于模糊控制器的“多值继电器”等价模型的描述函数分析法 ,扩展到相平面法、关系矩阵分析法、圆判据、L yapunov稳定性理论、超稳定理论、基于滑模控制器的比较法、模糊穴 -穴映射及数值稳定性分析方法等非线性理论方法。设计方法的研究也倍受关注 ,主要表现在对规则的在线学习和优化、隶属函数参数的优化修正等应用了多种思想 ,如最优控制的二次型性能指标、自适应、神经网络、遗传算法等思想。稳态性能的改善一直是模糊控制学者所关注。 围绕上述几个基本问题 ,出现了多变量模糊控制[1 ,2 ] 、模糊神经网络技术 [3 ] 、神经模糊技术 [4 ] 、自适应模糊控制 [5] 、模糊系统辨识[6 ] 等热点研究领域。在模糊控制理论与应用方面 ,日本学者取得了很大的成就[7] ,我国学者在这方面也付出了不懈的努力 ,并取得了许多重要的成果。所有这些工作促进了模糊控制的理论和应用的快速发展。 本文拟对近几年自适应模糊控制几个基本问题的研究现状作一总结 ,希望能从这一侧面反映其研究情况和发展动向。主要内容包括 :( 1 )稳定性分析问题的研究 ;( 2 )系统设计方法的研究 ;( 3)系统性能提高的研 究 ;( 4 )应用研究情况。 2 稳定性分析 众所周知 ,任何一个自动控制系统 ,首先必须是稳定的 ,否则这个系统就无法工作。因此 ,在控制系统的分析和设计中 ,系统的稳定性研究占有重要的地位 ,模糊控制系统也是如此。由于模糊系统本质上的非线性和缺乏统一的系统描述 ,使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和 2
设计 ,因此 ,模糊控制理论的稳定性分析一直是一个难点课题 ,仍未形成较为完善的理论体系 ,还有许多理论问题有待于进一步解决。正因为如此 ,近年来关于模糊系统的稳定性分析已经成为众人关注的焦点 ,发表的论文较 ,采用了各种思想和分析方法 ,主要有 :描述函数分析法、相平面法、关系矩阵分析法、L yapunov稳定性理论、超稳定理论、Popov判据、圆判据、基于滑模控制器的比较法、模糊穴 -穴映射、数值稳定性分析方法以及最近出现的鲁棒控制理论分析方法和 L MI(矩阵不等式 )凸优化方法等。 在模糊控制系统的稳定性分析和设计中 ,采用的模糊逻辑系统大致有三种类型 :( a)纯模糊逻辑系统 ;( b) Takagi- Sugeno(简记为 T- S)模糊逻辑系统 [8] ;( c)具有模糊产生器和模糊消除器的模糊逻辑系统[9] 。 基于纯模糊逻辑系统的分析方法主要有 :描述函数分析法、相平面法、关系矩阵分析法、圆判据等 ,是较早期的稳定性分析方法 ;基于 T- S系统的分析方法主要为 L yapunov稳定性理论、鲁捧控制理论分析方法和 L MI凸优化方法 ;基于类型 ( c)的模糊逻辑系统的分析方法主要为自适应控制理论方法 ;最近还出现了超稳定理论、Popov判据、基于滑模控制器的比较法、模糊穴 -穴映射、数值稳定性分析等方法。其中 ,Lyapunov稳定性理论、自适应控制理论、关系矩阵分析法占有很重要的地位 ,尤其是 L yapunov稳定性理论和自适应控制理论方法 ;数值计算分析方法与模糊穴 -穴映射具有相通之处 ,但是穴 -穴映射借助于新的数学工具正显示出新的研究活力。另外 , [9]提出了一种解决智能多层次复杂系统的建模和稳定性分析的原理和思路。最后要提到的是模糊逻辑控制系统鲁棒稳定性问题的研究[1 0、1 1 ] ,由于其与灵敏度分析和鲁棒多变量反馈控制器的紧密联系 ,可望为模糊逻辑控制的系统设计和稳定性分析、性能评估等提供系统的设计方法。 下面是近几年国内外学者在此领域进行的研究情况。需要指出的是 ,虽然目前的研究成果和文献较多 ,模糊控制的应用十分成功和广泛 ,但是迄今为止模糊控制系统的稳定性分析和控制系统设计仍缺乏一个强有力的数学工具和统一的方法 ,仍未形成较为完善的理论体系 ,还有许多理论问题有待于进一步探索。 2 . 1 关系矩阵分析方法 [1 3]提出利用模糊关系矩阵分析闭环控制系统稳定性方法 ,给出了闭环系统稳定的充分条件。[1 4 ]基于被控对象的规则模型 ,推导出闭环控制系统的语言关系模型 ,用语言关系矩阵讨论了系统的稳定性 ,给出了充分条件。 2 . 2 L yapunov稳定性理论 [1 5]在 T- S模型基础上建立了一类较实用的模糊控制模型 ,对该模型的连续和离散形式下的稳定性给出了各自渐近稳定的充分条件 ,并给出了构造 L yapunov函数 (正定矩阵 )的存在条件。使对复杂时变模糊系统的稳定性研究 ,转变为对每个模糊蕴涵较简单的线性定常子系统的稳定性研究。[1 6 ]提出了非线性系统的模糊建模与控制的分析框架。其设计思想是 :首先用 T- S模糊系统模型逼近非线性对象 ;然后利用了“并 行分布补偿 ( PDC)”的原理设计各子系统的模糊控制器 ,使局部子系统稳定 ;最后根据稳定性充分条件判定全局系统的渐进稳定性。文章认为 : ( 1 )所提出的稳定性充分条件能使用矩阵不等式 ( L MI)凸优化问题来表示 ,因此在所提出的 T- S模型和 PDC模型设计框架下 ,稳定性分析和状态反馈综合问题能用 L MI凸优化算法进行数值求解。 ( 2 )此稳定性条件不但保证了模糊模型和模糊控制系统稳定 ,而且保证了相关 3
的不确定线性时变系统(L DI)和非线性系统稳定 ,并满足某些全局和局部区域的稳定性条件。因此基于模糊模型下设计的控制器能很好地应用于真实系统的控制。 2 . 3 自适应控制理论 模糊自适应系统是另一个普遍关注的焦点[9、1 8] 。 [1 7- 2 1 ]在模糊逻辑系统 ( c)的基础上 ,进行了稳定性分析和自适应控制器设计。[1 7]认为 [9]中的全局模糊控制器的收敛性依赖于模糊系统逼近误差平方可积的条件 ,在实际中很难检验 ;另外 ,不能有效抵消外部干扰对误差输出影响的能力。针对非线性系统的滑模控制 ,其假定非线性函数估计存在 ,且控制器难以用精确的数学表示 ,故很难对闭环系统进行稳定性分析 ,从而提出了用模糊逻辑系统逼近非线性函数 ,并基于滑模原理及李氏函数给出了闭环系统稳定性分析[18]讨论了智能车辆高速系统的车辆侧向自导的模型参考自适应模糊逻辑控制 ( MRAFL C)算法 ,应用 L yapunov函数对系统进行了状态有界稳定研究。该算法使闭环系统在 FL C(模糊逻辑控制 )下跟踪由模糊系统产生的参考输入 ,对王立新 [9] 关于自适应模糊控制的结果进行了扩展。 [19]提出了一种直接自适应模糊滑模控制方法 ,将稳定性基本问题、性能要求及模型变化归为一个简单的框架内。[20]在 [9]的基础上用模糊系统的建模层次系统 ,并设计了层次模型控制器。文章认为层次结构可满足复杂系统的稳定性及鲁捧控制。但很难用统 一的框架表示各层的不同特性。文中研究了三级层次系统。最低层为对象和传统的反馈控制器 ,对象由差分方程建模 ;中层为监督操作以便保证系统的稳定 ;顶层为计划层 ,为下两层提供控制目标 ;中、高层由模糊系统建模。所提出的层次模型控制器的控制策略是保证系统状态有界且跟踪误差以指数级收敛于零。 [2 1]对神经模糊控制器的稳定性进行了分析 ,利用了径向基神经网络的模糊集合表示 ,通过 Popov判据获得了闭环控制系统的非线性稳定性条件 ,文中给出了一个闭环全局渐近稳定的充分条件。[2 4 ]用模糊自适应机构代替常规的自适应机构 ,构成模型参考模糊自适应系统 ,所设计的自适应机构为偏差的非线性函数 ,导出了系统稳定的充要条件。 [2 5]提出了一种模糊自适应 PID控制器及其设计方法 ,导出其闭环系统稳定的充要条件。 [2 6 ]针对一类病态且相当复杂的非线性系统 ,提出了一种自适应鲁棒模糊控制方法。控制目标为自适应地补偿未知对象的非线性 ,它由一个 if- then规则集组成的模糊规则库表示。可自动地更新模糊规则并保证全局稳定且使跟踪误差趋于零。 2 . 4 数值稳定性分析和模糊穴 -穴映射 [2 2 ]在综述了各种稳定性分析方法基础上 ,提出了数值稳定性分析方法 ,可分析任一类对象模型及任一类控制器。对象特性可由 :T- S模型、神经网络模型、特征表面及纯模糊模型加以描述 ,其思想类似于穴 -穴映射方法。[2 3]提出了一种基于模糊穴 -穴映射的多变量模糊系统进行分解的方法 ,其核心在于认为任何复杂系统的动态都是由其隐含的稳定子动态和不稳定子动态聚合而成 ,而系统特性则主要取决于决定性子动态的性质。介绍了确定系统决定性子动态和基于其上的多变量模糊系统渐近分析方法。 2 . 5 鲁棒控制理论 [1 0 ]基于 T- S模糊系统提出了一种不确定性非线性系统的鲁棒稳定性问题解决方法 ,分析了系统前提条件的隶属函数存在不确定性时的情况 ,得到了基于 Lyapunov稳定性理论的充分条件 ,并在倒车控制中进行了仿真研究。 [1 1 ]提出了模糊逻辑系统的鲁棒稳定性问题。由于模糊控制器被认为具有很强的