一、一类非线性混沌系统的RBF神经网络控制（论文文献综述）
徐紫辉[1]（2021）在《基于RBF神经网络控制的分数阶混沌系统同步研究》文中进行了进一步梳理随着通信技术领域的进步与混沌科学的研究影响深入到各个学科,再加上分数阶微积分理论解决了整数阶所不能解决的问题,分数阶混沌系统和分数阶控制方法已经得到很大的关注。分数阶混沌系统凭借其灵活性好、鲁棒性好、精度高等特点,被广泛应用在图像加密、生物工程、物理科学等领域并且取得了挑战性成果。在研究系统同步问题上,整数阶系统的同步占具大多数,但对分数阶系统同步来说就鲜有研究。传统的整数阶系统描述已不满足工程领域的高复杂性和易实现性等多重要求,因而分数阶混沌系统的同步控制越来越受到广泛外界关注,并且对传统控制方法具有极其重要的意义。针对分数阶混沌系统的同步,目前有很多方法,比如,滑模控制、柔性控制、模糊控制等。在众多方法中,RBF神经网络控制因其有很强的自抗干扰性而脱颖而出,使得系统具有很强的鲁棒性,并且可以很好的结合其它控制方法,使得基于RBF神经网络控制器拥有更好的灵活性、精确性、可实现性。本文从分数阶微积分理论、Lyapunov稳定性理论、有限时间控制理论、RBF神经网络参数、自抗干扰理论、状态观测器理论、滑模控制和永磁同步电机等理论知识出发。首先对带有时滞的分数阶超混沌系统进行了RBF自适应控制;然后对系统内部未知参数、外部扰动的超混沌系统实现了基于RBF控制的有限时间内同步;最后将RBF控制器应用于实际系统永磁同步电机当中,进行电机转子转速控制。主要内容如下:首先,介绍了分数阶混沌系统RBF同步控制的课题背景和意义,对分数阶混沌系统理论、分数阶同步控制及神经网络特别是RBF神经网络控制现阶段国内外研究状况进行了详细的介绍。为RBF神经网络控制应用到分数阶超混沌系统和永磁同步电机实际系统的同步控制中提供可靠的现实基础。紧接着,介绍了同步控制的理论依据分数阶微积分,具体包括微积分定义、性质、同步控制方法,重点介绍了滑模变结构、永磁同步电机、RBF神经网络控制的发展进程、基本原理与设计策略,给本文的研究提供了坚实的理论依据。其次,设计了一种自适应滑模控制方法,实现了简单分数阶模型的完全同步,在此基础上针对一类时变时滞且带有干扰的分数阶超混沌系统同步控制问题,设计了一种满足要求的RBF神经网络整数阶自适应率的控制器,解决了分数阶超混沌系统时滞和外界干扰问题,最终实现驱动系统和响应系统完全同步。运用MATLAB进行数值仿真,实现了分数阶超混沌系统Chen系统的同步,仿真结果表明,基于RBF神经网络的控制器比自适应滑模控制器具有更好的鲁棒性和快速性,可以有效抑制抖振。然后,针对两类不同分数阶系统的同步进行了基于RBF神经网络控制的设计,首先针对同结构分数阶系统,设计了一种有效的RBF神经网络控制器,实现了同结构分数阶系统的完全同步;其次针对异结构带有干扰的超混沌系统的有限时间同步控制问题,分别设计RBF神经网络控制策略和状态观测器策略来消除干扰中的内部不确定项和外界干扰,提出一种新型的自适应滑模面;基于有限时间稳定性理论与Lyapunov稳定性理论,提出具有强鲁棒性的有限时间滑模控制器。通过改变控制器中的参数和引入RBF神经网络控制使存在不确定项外界干扰的分数阶混沌系统最终实现有限时间分数阶超混沌系统滑模同步控制。通过MATLAB数值仿真的结果表明,所设计的控制器能够在有限时间内达到同步这一方案是有效且可行的。最后,对实际系统PMSM分别进行了滑模控制和RBF神经网络控制,首先通过对永磁同步电机的不确定性部分进行滑模动态补偿,验证了滑模控制对实际系统是有效可行的。接着将分数阶RBF控制器应用在永磁同步系统的转速控制当中,提高系统的鲁棒性降低抖振,通过MATLAB仿真数据结果验证了所设计控制器是实际可行的。
郭义戎[2]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中研究指明智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
李木子[3]（2021）在《具有共存吸引子的新超混沌系统及其控制研究》文中进行了进一步梳理随着混沌理论的不断发展,无平衡点超混沌系统因为具有隐藏吸引子,逐渐成为非线性领域研究的热点之一。分数阶能够更加准确地描述非线性混沌系统及事物的本质,因此分数阶无平衡点系统更具有研究价值。无平衡点系统存在对称性和非对称性共存吸引子,非对称性共存吸引子在位置与类型上比对称性共存吸引子更加复杂。偏置也能使吸引子沿着吸引域边界成为另一种吸引子,产生共存现象。具有不同类型共存吸引子的超混沌系统具有多稳定性和极端多稳定性,在实际应用当中会对工程造成一定影响,因此采用适当、快速的方法实现混沌控制也是研究的热点问题。无平衡点系统由于具有更复杂的动力学行为,许多经典的控制方法并不适用,因此控制器设计难度也大大提高。针对此类系统,设计出高效、简单的控制器,实现对系统的控制具有一定的研究价值。本文构造了一个新的具有多类共存吸引子的无平衡点超混沌系统,并且将提出的整数阶系统进一步扩展为分数阶超混沌系统。主要工作如下:首先,利用Lyapunov指数谱、分岔图、Poincaré截面、参数盘等对整数阶超混沌系统进行动力学分析,电路仿真验证系统的可实现性。在参数相同初值不同的情况下,系统出现对称性与非对称性吸引子的共存现象。通过引入两个偏置量,吸引子能同时在两个方向上平移,并且在平移过程中吸引子类型发生改变,系统存在混沌吸引子和周期吸引子共存现象。其次,在整数阶的基础上,扩展为动力学行为更加复杂的分数阶超混沌系统。利用随阶数变化和随参数变化的Lyapunov指数谱、分岔图等对系统进行动力学分析,阶数的变化使分数阶超混沌系统产生更多类型的吸引子,并且共存吸引子的个数明显增加,共存现象更加明显,分数阶系统表现出了极端多稳定性。最后,针对本文所提出的具有共存吸引子的整数阶超混沌系统与分数阶超混沌系统进行控制。有限时间控制方法使系统在有限时间内达到稳定;神经网络自适应控制方法能使系统跟踪不同的期望值与期望轨迹;状态反馈H∞控制方法可以通过线性化模型设计状态反馈控制器的增益矩阵,实现对系统的有效控制。三种方法设计出的控制器都能够在极短时间内使系统稳定,避免系统的多稳定性与极端多稳定性在实际工程中造成影响。
吴伟明[4]（2020）在《基于采样数据的确定学习及应用》文中指出近年来,动态或者非平稳环境机器学习问题成为当前人工智能热点前沿热点。这里的“动态”主要指其环境随时间的动态变化,如工程、生物、医学、经济、天文等领域所涉物理过程天然构成的开放动态环境。然而在开放动态环境中,因传统机器学习的封闭静态假设不再满足,动态学习对当前人工智能发展提出了更大的挑战和更广阔的应用前景。当前动态环境机器学习的一个主要方向是研究对在工程、医学等动态过程中采样获得的时间序列的建模、识别、分类等问题。本文将从系统与控制角度开展动态环境机器学习的研究。本论文工作包括以下四个方面:1)针对非线性动力学系统产生的、具有周期或回归性质的时间序列数据,我们提出一种基于确定学习的时间序列建模与回归新方法。从系统与控制角度,该问题属于非线性系统辨识难题。确定学习方法通过解决持续激励（PE）条件的满足及预先验证,实现了对沿着周期或回归轨迹（连续信号）的非线性系统动态的局部准确神经网络辩识。本文将把该问题扩展到基于时间序列（采样数据）的确定学习。通过Lyapunov设计的权值更新律,产生的学习误差系统形成了具有与连续确定学习对应的离散线性时变（LTV）形式的识别误差系统。然而,上述连续LTV系统在持续激励条件满足时指数稳定的性质由Anderson、Narendra等给出证明,现有文献中并没有针对这类离散线性时变系统的指数稳定性证明结果。针对这一控制理论中的关键科学问题,本文采用离散输入状态稳定小增益理论（discrete ISS-small gain theorem）给出了具体的证明过程。首先,在持续激励条件下采用逆Lyapunov理论构造每一子系统的Lyapunov函数。其次,证明了每个子系统的Lyapunov函数均满足ISS-Lyapunov的性质,即这两个子系统满足输入状态稳定（ISS）。最后,根据上述两个互连的离散子系统的ISS性质,采用离散ISS下的小增益理论证明了整个离散LTV系统满足全局一致渐近稳定性,这对于线性系统即为指数稳定性。上述离散LTV系统的指数稳定性证明,保证了沿时间序列轨迹神经网络权值的指数收敛到真值或最优值,进而实现对时间序列（采样）数据内在非线性动态的局部准确辨识。该方法的提出有效解决了采样数据这类时间序列的回归和建模问题。特别地,这种局部准确的动力学建模结果对后续的基于时间序列的识别、分类等应用研究具有重要的意义。2)针对由非线性动力学系统产生的、具有周期或回归性质的时间序列,研究其识别与分类的问题（上述具有周期或回归性质的时间序列亦可称为动态模式,因而这也是动态模式识别问题）。由于这类时间序列数据表达的动态模式在实际动态过程中广泛存在,而且相比于传统静态模式有本质上的不同,该问题的研究充满挑战且有着广阔的应用前景。本文在基于确定学习的快速动态模式识别的基础上,研究对连续系统采样得到的时间序列数据的快速识别问题。在采样数据框架下,分别提出了对应的时间序列动态模式相似性定义,以及时间序列数据快速识别方法。上述快速识别机制是通过利用动态识别系统误差间接反映动态模式之间的内在动力学的差异程度。为保证准确识别,非相似模式的动力学差异需要满足一个假设条件（沿着轨迹的动力学差异在一定连续的时间区间内超过一定的幅值大小且符号不能改变）。然而,在基于连续信号的动态模式识别中,因无法利用过去的信息计算动态模式之间的动力学差异,难以在实际工程中验证这些条件。也就是说,如果发生了误识别,由于识别条件无法验证,进而难以分析发生误识别的原因。与之相比,在采样数据框架下,可以基于历史采样数据充分对比其动力学差异,验证动态模式识别结果的准确性。因此,这种基于动力学差异的动态模式识别具有良好的可解释性,在工程实际中将发挥重要作用。3)结构稳定性是一个非线性动力学系统领域的重要概念,它提供了对动力学系统及其受扰系统的一种自然动态的分类关系。其原理在于,如果一个结构稳定的系统与其受扰系统具有相似的拓扑结构,则两系统可以看成是同一类的系统。本文基于结构稳定性概念,探索动态模式识别新方法。然而,这个概念在实际中难以应用的原因之一是难以获取动力学的偏导信息。针对这一难题,我们基于确定学习的知识再利用机制近似表达沿着轨迹方向的动力学偏导信息。从而提出了基于结构稳定性的相似性定义,对模式间进行更细化的相似性描述。基于这种新的相似性定义,进一步给出了对应的动态模式识别的实现方法。通过与基于动力学差异的动态模式识别方法进行仿真对比,结果表明在更细化的识别场景下,基于结构稳定性的方法能得到更好的结果。4)最终,针对心肌缺血/心肌梗塞早期检测等重大临床需求问题,开展基于动态环境机器学习的应用研究。本课题组基于由确定学习形成的心电动力学图（CDG）在心肌缺血检测方向上已开展多年研究。心电动力学图是对心电图（ECG）ST-T段的局部准确动力学建模结果的三维可视化展示。它与心脏复极过程的离散度相关,相比传统心电图诊断具有更高的敏感性。本文创新性地提出了心电动力学图的时空离散度量化指标:一方面根据心电信号的物理时频特性提出心电动力学图的时间离散度指标,另一方面从非线性系统的混沌性分析角度提出心电动力学图的空间离散度指标。通过在北京阜外医院、新疆石河子市人民医院开展的心电动力学图检测心肌缺血的临床试验,结果表明该指标能够在心电图大致正常时对心肌缺血患者进行较为准确的检测。
梁远程[5]（2020）在《碰撞振动系统的分岔分析及混沌控制》文中认为工程实际中,机械系统的零部件间存在间隙时,会在外部激励作用下产生碰撞振动现象,使得系统速度在碰撞前后发生跳跃,因而该类系统具有非光滑性和强非线性,且在一定的参数条件下会产生分岔现象、甚至产生混沌运动。而绝大部分的混沌运动会导致机械结构出现故障、甚至损毁,所以通过控制达到消除混沌运动的目的,具有重要的社会现实意义和工程应用价值。基于此,本文针对一类单自由度刚性碰撞振动系统,分析了系统的分岔现象及混沌运动,并对难以精确建模情况下的碰撞振动系统混沌运动控制问题进行了探索和研究。本文的主要内容如下:首先,对单自由度刚性碰撞振动系统模型的倍周期分岔行为及擦边分岔行为进行了相应分析。对于倍周期分岔的研究,以系统的激励频率?为分岔参数,采用数值模拟的方式,得出系统状态x（5）在一定参数配置下的分岔图。在此基础上,进一步得出系统的相图、Poincaré截面图、时间历程图及频谱图,从而定性判断系统是否出现混沌运动。此外,根据系统发生倍周期分岔的条件,结合Jacobi矩阵,得出系统发生周期倍化分岔时的特征值,从而定量判断系统是否发生倍化分岔。对于擦边分岔的研究,以系统临界频率0?、激励频率?及临界间隙d0为分岔参数,数值模拟出系统在（?,d0）参数平面内的擦边分岔分布图。此外,根据系统发生擦边余维二分岔的条件,结合擦边点0x处的Jacobi矩阵表达式,以及擦边分岔时系统的相图、Poincaré截面图,从而定性判断系统是否发生擦边周期运动,直至通向混沌。其次,出于混沌控制器参数优化选择的需要,完成对PSO算法的改进工作,并命名为IPSO算法（Improved Particle Swarm Optimization,简称IPSO）。因研究问题为一类极小值问题,故本文采用四种典型寻优测试函数对IPSO算法的寻优操作性能进行仿真实验。研究结果表明:IPSO算法与PSO算法、蜻蜓算法（Dragonfly Algorithm,简称DA）相较而言,IPSO算法在收敛速度、避免陷入局部最优等性能方面均凸显出较大优势。最后,针对单自由度刚性碰撞振动系统混沌运动的控制问题,提出了一种基于径向基函数神经网络（Radial Basis Function Neural Network,简称RBFNN）的智能优化控制策略。采用RBF三层网络结构设计混沌控制器,并选择碰撞面作为Poincaré截面,以截面上相邻两点之间的距离为参考依据建立适应度函数,以该适应度函数引导IPSO算法完成对混沌控制器参数的优选。从仿真实验结果可知:该控制策略对于单自由度刚性碰撞振动系统的混沌运动控制效果良好。此外,还分别研究了不同的控制起始时间以及不同的隐节点数对于控制效果的影响,从而为今后进一步完善碰撞振动系统的混沌运动控制奠定基础。
张小青[6]（2020）在《计算智能GWO算法优化及其在运动控制中的应用》文中研究指明工业生产和科学技术的发展与运动控制技术日益密不可分。永磁同步电动机性能优越,以其为被控对象的运动系统在各行各业中已占有举足轻重的地位。机器人功能强大,是人工劳动的优秀替代,已服务于众多行业中。无论是以单一的永磁同步电动机还是以复杂的机器人为被控对象的运动控制系统,都是一类非线性、强耦合多变量控制系统,传统优化方法已很难满足现代运动控制的高要求,而计算智能技术具备自适应能力及鲁棒性强的特点,为求解复杂的非线性运动控制系统的优化问题提供了新的途径。本文主要研究计算智能算法优化及其在运动控制系统中的应用,从算法改进与算法应用两方面展开研究。对苍狼优化算法及其改进进行研究。介绍与分析苍狼优化算法,证明算法具备全局收敛性。为增加搜索样本多样性及减小算法陷入局部最优的概率,提出了基于淘汰重组机制与变异算子的改进苍狼优化算法。引入衍生算法,得出淘汰重组机制与优秀搜索狼变异算子在功能上互相补充的结论。标准苍狼优化算法被称为静态苍狼优化算法,以减少搜索狼更新等待为目的,提出了两种动态苍狼优化算法。在动态苍狼优化算法中搜索狼的位置更新不需等待,及时更新,加快了算法的迭代收敛速度,使得算法具备了更强的竞争力。以动态苍狼优化算法的结构为基础,探讨其它改进苍狼优化算法的性能,通过实验进一步验证了动态苍狼优化算法改进的有效性。将苍狼优化算法等应用于永磁同步电动机的混沌控制与混沌同步控制中。针对不利的永磁同步电动机混沌,提出了一种以哈密顿理论与苍狼优化算法为基础的非线性扰动补偿与跟踪控制相结合的混沌控制器。通过分析永磁同步电动机严格耗散的广义约化模型中的扰动非线性项,提出了一种带可调增益的非线性扰动补偿器,证明了此补偿器能使系统在平衡点附近渐近稳定。以修正互联与阻尼控制为参考,依期望平衡点的不同而改变相应的哈密顿能量函数,提出了一种参数待定的跟踪控制器。然后以苍狼优化算法为手段对所设计的控制器中可调增益及待定参数进行有目的的优化,最后通过实验测试,系统的混沌得到了较好的抑制,系统具备了良好的跟随性能及抗负载扰动的能力。针对永磁同步电动机混沌的存在对系统有利的场合,鉴于混沌同步控制具有普遍意义,以径向基神经网络为基础,结合苍狼优化算法及其多种变体算法,提出了RBF-GWO混沌同步控制器。用苍狼优化算法以同步误差平方平均值最小为优化目标来优化径向基神经网络的中心矩阵、输出权重及宽度矢量,使得所设计的RBF-GWO网络在应用时性能最佳。从永磁同步电动机混沌同构同步与混沌异构同步两方面验证了所提出的混沌同步控制器的有效性,使系统能更合理的利用永磁同步电动机的混沌现象。对Par4并联机器人高速拾取路径进行了轨迹规划与跟踪控制。针对Par4并联机器人的高速拾取路径,提出了一种基于苍狼优化算法以Lamé曲线为圆滑过渡曲线、以五次及六次不对称多项式为运动规律的机械能耗最小的轨迹规划方法。在该方法中,采取苍狼优化算法,以机器人机械能耗最小为目的,对轨迹进行了优化研究,最终找出了基于Lamé曲线机械能耗最低的轨迹,验证了方法的有效性。通过实验还得知最优轨迹中的Lamé曲线的参数e最佳值可选为拾取跨度一半,而参数f的最佳值需依拾取坐标及拾取高度等具体情况进行寻优选择。以Par4并联机器人优化规划的电机角度为期望控制输入,设计了基于Type-2模糊预估补偿的PID控制器,把系统输入变量的变化率与跟踪误差的变化率之和作为Type-2模糊预估补偿的一个输入,提高了系统对输入的动态跟随性能,减少了驱动电机的角度跟踪误差。利用动态苍狼优化算法对Type-2模糊控制器进行了离线优化,使得系统性能更佳。最后通过实验验证了所提出的控制器的有效性,Par4并联机器人的四个驱动电机都能较好地跟踪期望的输入角度。
李杨[7]（2019）在《机械臂的自适应神经网络混沌反控制研究》文中研究表明混沌反控制又称为混沌化,是指通过某种方法在原本没有混沌行为的系统中创造人们需要的、全新的混沌。近年来,人们发现将混沌行为注入到机械臂中,可促进其在工业、农业与家用领域的应用。机械臂是一个多输入多输出、强耦合、高度非线性的复杂系统,因受到不确定性以及环境因素的影响,采用传统的控制算法实现精确的跟踪控制有一定的难度。本文以机械臂为研究对象,结合滑模控制、自适应神经网络、动态面等进行混沌反控制方法的研究。论文的主要研究内容如下:1、将滑模变结构控制与自适应神经网络（Neural Networks,NNs）相结合,针对参数未知且带有有界未知扰动的机械臂,设计了鲁棒混沌反控制算法。采用终端滑模抑制未知有界扰动,构建恰当的径向基神经网络（Radial Basis Function Neural Networks,RBF NNs）逼近系统未知非线性函数,并通过Lyapunov稳定性理论证明了闭环系统所有信号的最终一致有界（Ultimately Uniformly Bounded,UUB）。最后,使用仿真对比实验验证了算法的有效性,不仅成功观察到混沌吸引子,而且实现了精确的速度跟踪。2、针对参数未知且带有未知扰动的电驱动机械臂,设计了自适应神经网络动态面控制（Dynamic Surface Control,DSC）来实现其混沌反控制,不仅解决了建模时引入执行器所带来的高度非线性,而且避免了传统反步法产生的“微分爆炸”问题。该算法在反步法的第二与第三步,采用一阶低通滤波器估计虚拟控制变量的导数,同时采用RBF NNs逼近系统的未知非线性函数,选取合适的Lyapunov函数证明了系统的稳定性,并用仿真实验验证了算法的有效性。3、针对存在执行器饱和的不确定机械臂,设计了一种结合动态面控制的自适应神经网络控制器以实现其混沌反控制。该算法采用RBF NNs逼近系统的未知动态,构建合适的动态系统解决输入饱和的问题,并利用Lyapunov稳定性定理证明了闭环系统所有信号的UUB。然后,分别以两连杆、三连杆电驱动机械臂为例,通过仿真验证了所提方法的可行性与有效性。最后,对本文的研究内容进行了总结,对未来相关领域的研究进行了展望。
李桂毅[8]（2018）在《基于航迹数据的航路网络交通运行态势识别与预测技术研究》文中研究指明航路网络是空中交通系统的重要组成部分,其交通运行的畅通与否直接影响空中交通系统的运行安全与运行效率。航路网络交通运行态势的智能感知能力建设是全面开展智慧空管建设的基础和关键,不仅有助于空中交通管理部门全面掌握航路网络整体的运行态势,分析路网交通运行的瓶颈和关键节点,制定合理的交通优化管控措施,实现空中交通精细化管理,而且有助于航空公司合理优化航线,减少飞行延误,降低飞行成本。航路网络交通运行还处于传统经验型的粗放式管理模式,难以实现针对性、精细化的管理与决策,降低了空中交通系统的运行效率,一定程度上影响了航班运行的正常性水平。目前,关于航路网络交通运行态势识别与预测方面的研究较少,尚未形成科学的理论体系。本文针对于航路网络交通运行态势感知问题,基于航空器飞行航迹数据,主要从航路网络交通运行特性分析、航路网络及其航段交通运行态势评价、识别、预测这几个方面展开深入系统的研究,为构建航路网络交通运行态势智能感知技术体系奠定理论和技术基础。（1）航路网络交通流运行时空特性与变化规律分析。基于航路网络航迹数据,分析了航路网络交通流的时间特性和空间特性,在时间特性方面,发现航路网络交通流变化呈现混沌特性,且验证了航路网络交通流流量均值和方差存在幂律关系,流量波动同时受内部和外部影响因素的综合作用。在空间特性方面,发现航路网络航段交通流变化存在空间相关性,基于多维标度法依据相关性强弱将航段进行了相关性分组,为多航段交通流参数预测提供了支撑。（2）航路网络及其航段交通运行态势评价划分方法与模型。基于航路网络航迹数据,构建航路网络及其航段交通运行态势评价指标体系,依据航路网络交通运行特性,采用模糊综合评价法建立了航路网络整体交通运行状态评价模型;基于SAGA-FCM（遗传模拟退火-模糊聚类）算法,建立了航路网络航段交通运行状态划分模型,实现了航路网络整体和其航段交通运行状态模糊划分,并确定了航路网络交通运行态势的划分方法及标准。（3）航路网络及其航段交通运行态势识别方法与模型。针对于航路网络交通态势识别问题,基于机器学习和模式识别方法,建立了航路网络及其航段交通运行态势识别模型。采用支持向量机算法构建航路网络整体交通运行态势识别模型,采用集成学习算法构建路网航段交通运行态势识别模型,提出了基于航迹数据的航路网络交通运行态势识别方法,为航路网络及其航段交通运行态势预测提供了支撑。（4）航路网络及其航段交通运行态势预测方法与模型。针对于航路网络交通态势预测问题,采用RBF神经网络混沌时间序列预测方法,构建航路网络整体交通运行态势预测模型,采用BP、RBF、GRNN神经网络理论,构建路网航段交通运行状态融合预测模型,提出了基于航迹数据的航路网络交通运行态势预测方法,预测效果良好,可为航路网络交通运行优化与管控提供决策支持。本文针对航路网络交通运行态势感知问题,开展了较为深入、系统的研究。基于获取相对便捷、能够实时、精确反映航路网络交通运行态势的航空器飞行航迹数据构建了航路网络及其航段的交通态势评价、识别、预测方法与模型,形成一套基于航迹数据的航路网络交通运行态势感知的技术方案,为航路网络交通运行态势智能感知技术体系构建提供理论和技术支持。
李安平[9]（2018）在《不确定分数阶系统的智能控制方法研究》文中提出近年来,分数阶微积分系统的研究越来越受到学者和工程技术人员的关注,主要原因不仅仅是由于发现很多实际系统本质上是分数阶系统,而且还在于当系统的控制器采用分数阶微积分形式时,与整数阶控制器比较发现,能使得系统获得更优异的控制性能。在实际系统中由于各种外在或内部因素的影响,系统常常不可避免地存在一些不确定性。在处理整数阶不确定系统的控制问题时,智能控制方法是一种十分重要且有效的方法,已经有很多重要的成果。但是因为分数阶微积分固有的复杂性,智能控制方法并不能简单而直接地推广到分数阶系统中来,有关分数阶不确定系统的智能控制的许多问题有待进一步进行理论探讨和研究。因此,本文对分数阶不确定系统的智能控制问题进行讨论,将分数阶系统相关理论与智能控制方法相结合,寻求对分数阶不确定系统进行控制的有效方法。主要讨论的内容如下:（1）讨论了一类分数阶多输入多输出（MIMO）有干扰系统（包括RiemannLiouville定义和Caputo定义）的跟踪控制问题。利用主导输入的概念及改进的自组织模糊神经网络,将MIMO系统分解为多个单输入单输出（SISO）系统,并对未知函数项进行逼近,对网络结构和参数实现在线调节,针对Riemann-Liouville定义和Caputo定义下的两种分数阶系统分别利用间接Lyapunov方法和分数阶系统稳定方法设计控制器,获得了两个系统稳定的充分条件,使得闭环系统相关变量有界,实现了系统的跟踪控制。该方法控制器设计简单,自组织模糊神经网络参数选取容易。（2）讨论了一类不同维不同阶的分数阶混沌系统（采用Caputo定义）基于神经网络的指定性能（Prescribed Performance）广义同步方法。利用转换函数将同步误差系统转换为转换系统,根据转换函数的性质,将指定性能控制问题转化为转换系统的变量有界的控制问题。用神经网络对未知函数进行逼近,并且引入鲁棒项及逼近误差的估计来进行补偿,利用李雅普诺夫方法设计了一种自适应同步控制器,实现系统达到指定性能广义同步,即使得系统能以指定的同步速度、最大超调量等指标进行同步,同时使得整个闭环系统所有变量有界。该方法利用分数阶微分的性质,将分数阶系统转化为整数阶系统来讨论,简化了控制器设计。（3）针对一类Caputo定义下的分数阶严反馈非线性系统的跟踪控制问题,讨论基于RBF神经网络和backstepping方法的控制方法。假设系统状态变量不可测,引入滤波器对状态变量进行估计,利用RBF神经网络来近似理想的虚拟输入,设计系统控制器,使得闭环系统所有变量有界,系统的跟踪误差能渐近收敛到零。在整个控制器设计过程中避免了复杂的分数阶微分的计算,而且神经网络的在线自适应参数只采用一个,降低了控制器的计算负担。（4）对正实不确定（positive real uncertainty）分数阶系统（采用RiemannLiouville定义）的控制问题进行了讨论。首先对一类分数阶线性正实不确定系统,利用间接Lapunov方法、线性矩阵不等式（LMI）方法及奇异值（SVD）分解方法设计了状态反馈控制器、输出反馈控制器、基于观测器的反馈控制器3种控制器,给出了基于LMI的系统稳定的充分条件。然后讨论一类分数阶线性时滞正实不确定系统,设计基于观测器的控制器,获得了系统鲁棒稳定的充分条件。最后对一类含正实不确定和非线性函数未知的分数阶非线性系统（包括非等阶noncommensurate系统和等阶commensurate系统）,利用RBF神经网络结合间接Lapunov方法设计出自适应控制器,实现了分数阶非线性系统的渐近稳定。
袁全勇[10]（2018）在《风速时间序列非线性分析及短期预测》文中指出风能发电因具有清洁、可再生等优点,已成为最具发展前景的新能源发电方式之一。但风速的随机性、波动性和不可控性等特点,使得风速预测十分困难且精度较低,导致了风力发电具有间歇性及不稳定性等复杂的非线性特征。因此,为揭示风速时间序列内部蕴含着的复杂特性,实现风速更为准确的预测,本文以美国国家风能研究中心M2测风塔实测风速时间序列为研究对象,采用非线性分析理论对其进行了分析及预测。首先从风速时间序列自身的非线性特征出发,基于分形理论研究了风速时间序列的分形维数及长程相关性等特征。其次,基于混沌理论,采用C-C算法确定了延迟时间及嵌入维数,并对风速时间序列进行了相空间重构。在此基础上,采用多种不同的混沌识别方法,从定性及定量两个角度对风速时间序列进行了混沌特征识别。最后,在确定时间序列具有混沌特征的基础上,将RBF神经网络及Volterra自适应滤波预测模型引入风速预测研究中,对风速进行了较为准确的预测。通过以上工作,主要成果如下:1.根据非线性分析的分形理论,研究了盒维数法及关联维数法的基本原理,并计算了风速时间序列的分形维数,同时研究了风速时间序列的无标度特征及自相似性。2.以分形高斯噪声（Fractal Gaussian Noise,FGN）为例,对比分析了R/S类分析法的特点,确定了以Lo法计算风速时间序列Hurst指数结果更加准确,然后采用该方法计算了风速时间序列的Hurst指数。此外,为进一步研究风速时间序列的非线性特征,采用去趋势波动分析（DFA分析）及功率谱分析（PSA分析）对风速时间序列进行了非线性分析。结果表明风速时间序列的Hurst指数均大于0.5,说明风速不是完全随机波动的时间序列,其具有明显的长程正相关性。此外,风速时间序列Hurst指数接近1,说明了风速时间序列呈现出“1/f波动”特征,属于典型的非线性不平稳信号。3.研究了相图法、频谱分析法、最大Lyapunov指数法及0-1混沌判定法的基本原理。并采用以上各种方法分别从不同角度判定了风速时间序列的混沌特征。结果表明:相图法及频谱分析法,可从时间序列在空间或时频域内表现出的特殊性质,对其混沌特征进行定性识别;最大Lyapunov指数作为混沌系统的重要指标,可用于对时间序列混沌特征进行定量分析。0-1混沌测试法仅通过渐进增长率Kc是否接近0或1即可判定风速时间序列的混沌特性;相较于其他混沌识别方法,具有计算成本低、速度快等优点。4.在判定风速时间序列具有混沌特征的基础上,采用RBF神经网络结合相空间重构理论对风速时间序列进行预测并对预测误差进行了分析,预测结果表明,基于RBF神经网络对混沌时间序列的预测方法具有较强的分类能力、逼近能力及样本学习能力,且所得预测结果较为准确。5.在研究了Volterra自适应预测算法的基础上,建立了风速序列的Volterra自适应混沌预测模型,并对风速时间进行了预测及误差分析,预测结果较为精确。
二、一类非线性混沌系统的RBF神经网络控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一类非线性混沌系统的RBF神经网络控制（论文提纲范文）
（1）基于RBF神经网络控制的分数阶混沌系统同步研究（论文提纲范文）
| 符号说明 |
| 摘要 |
| ABSTRACT |
| 创新点摘要 |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状及发展 |
| 1.2.1 混沌系统理论的发展 |
| 1.2.2 分数阶混沌系统同步控制的发展 |
| 1.2.3 神经网络发展和RBF神经网络的优点 |
| 1.3 本文主要内容 |
| 第二章 基本理论及方法介绍 |
| 2.1 引言 |
| 2.2 分数阶混沌及同步基本原理 |
| 2.2.1 混沌的定义、特征、判据 |
| 2.2.2 分数阶微积分的定义、性质、等式求解、稳定性定理 |
| 2.3 滑模变结构概念及原理介绍 |
| 2.3.1 滑模变结构控制概念 |
| 2.3.2 滑模变结构原理 |
| 2.4 三相永磁同步电机矢量控制 |
| 2.4.1 Clark和Park变换 |
| 2.4.2 FOC控制原理 |
| 2.5 RBF神经网络控制 |
| 2.6 本章小结 |
| 第三章 一类分数阶超混沌系统的RBF神经网络自适应同步控制 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于滑模变结构的分数阶混沌系统完全同步 |
| 3.3.1 自适应终端滑模面和控制器的设计 |
| 3.3.2 数值仿真 |
| 3.4 改进的基于RBF神经网络分数阶超混沌系统的完全同步 |
| 3.4.1 RBF神经网络同步控制器设计 |
| 3.4.2 数值仿真 |
| 3.5 本章小结 |
| 第四章 基于RBF神经网络和干扰观测器的分数阶超混沌系统有限时间滑模同步控制 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于RBF神经网络的同结构分数阶混沌系统同步 |
| 4.3.1 控制器的设计 |
| 4.3.2 数值仿真 |
| 4.4 基于RBF神经网络的异结构超混沌系统有限时间同步 |
| 4.4.1 RBF神经网络和状态观测器的设计 |
| 4.4.2 自适应滑模控制器设计 |
| 4.4.3 数值仿真 |
| 4.5 本章小结 |
| 第五章 RBF神经网络在分数阶永磁同步电机中的自适应同步控制 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 控制器设计 |
| 5.3.1 滑模控制器设计 |
| 5.3.2 RBF神经网络控制器设计 |
| 5.4 数值仿真 |
| 5.4.1 滑模控制器仿真 |
| 5.4.2 RBF神经网络控制器仿真 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 发表文章目录 |
| 致谢 |
（2）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（3）具有共存吸引子的新超混沌系统及其控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无平衡点系统及共存吸引子研究现状 |
| 1.2.2 分数阶系统研究现状 |
| 1.2.3 混沌控制研究现状 |
| 1.3 论文主要研究内容及结构安排 |
| 第2章 无平衡点整数阶新超混沌系统及其动力学分析 |
| 2.1 系统模型 |
| 2.2 系统动力学分析 |
| 2.2.1 Lyapunov指数和维数 |
| 2.2.2 耗散性与平衡点 |
| 2.2.3 初值敏感性和Poincaré截面 |
| 2.2.4 Lyapunov指数谱和分岔图 |
| 2.3 系统电路仿真 |
| 2.4 共存特性分析 |
| 2.4.1 对称性共存分析 |
| 2.4.2 非对称性共存分析 |
| 2.4.3 偏置产生共存 |
| 2.5 本章小结 |
| 第3章 无平衡点分数阶新超混沌系统及其动力学分析 |
| 3.1 系统模型 |
| 3.1.1 Adomian分解法(ADM分解法) |
| 3.1.2 五维分数阶系统的解 |
| 3.1.3 分数阶系统模型 |
| 3.2 系统动力学分析 |
| 3.2.1 Lyapunov指数和维数 |
| 3.2.2 初值敏感性 |
| 3.2.3 随阶数变化的Lyapunov指数谱(LES)和分岔图 |
| 3.2.4 随参数变化的Lyapunov指数谱和分岔图 |
| 3.3 共存特性分析 |
| 3.3.1 对称性共存分析 |
| 3.3.2 非对称性共存分析 |
| 3.3.3 偏置产生共存 |
| 3.4 本章小结 |
| 第4章 新五维超混沌系统的控制研究 |
| 4.1 有限时间控制 |
| 4.1.1 两种有限时间稳定性基本概念 |
| 4.1.2 有限时间稳定定理 |
| 4.1.3 有限时间稳定性证明 |
| 4.1.4 数值仿真 |
| 4.2 神经网络自适应控制 |
| 4.2.1 问题描述 |
| 4.2.2 控制推导 |
| 4.2.3 数值仿真 |
| 4.3 状态反馈H_∞控制 |
| 4.3.1 H_∞控制标准化问题 |
| 4.3.2 控制推导 |
| 4.3.3 数值仿真 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间公开发表论文及着作情况 |
（4）基于采样数据的确定学习及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容及结构安排 |
| 第二章 预备知识 |
| 2.1 引言 |
| 2.2 确定学习机制 |
| 2.3 动态模式识别 |
| 2.4 早期的采样确定学习工作 |
| 2.5 离散系统稳定性 |
| 2.6 本章小结 |
| 第三章 针对采样数据的确定学习 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 基于Lyapunov设计的采样确定学习算法 |
| 3.4 误差系统的稳定性分析 |
| 3.5 仿真实验 |
| 3.6 本章小结 |
| 3.7 附录A |
| 3.8 附录B |
| 第四章 针对采样数据的动态模式识别 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于采样数据的动态模式的建模和相似性 |
| 4.4 基于采样数据的动态模式识别与性能分析 |
| 4.5 仿真实验 |
| 4.5.1 数据说明与动力学辨识 |
| 4.5.2 识别场景1 |
| 4.5.3 识别场景2 |
| 4.6 本章小结 |
| 4.7 附录A |
| 第五章 基于结构稳定性的针对采样数据的动态模式识别 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.3 结构稳定性 |
| 5.4 相似性定义与表达 |
| 5.5 基于结构稳定性的动态模式识别方案与性能分析 |
| 5.6 仿真实验 |
| 5.6.1 动力学偏导的建模验证 |
| 5.6.2 基于结构稳定性的动态模式识别 |
| 5.7 本章小结 |
| 5.8 附录A |
| 第六章 基于采样确定学习的心电动力学图建模与量化 |
| 6.1 引言 |
| 6.2 基于心电图采样数据信号的动力学建模 |
| 6.3 基于心电动力学图的量化指标 |
| 6.4 临床试验验证 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 插图 |
| 表格 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）碰撞振动系统的分岔分析及混沌控制（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 碰撞振动系统的工程背景及其研究意义 |
| 1.2 研究现状 |
| 1.2.1 碰撞振动系统动力学的研究现状 |
| 1.2.2 碰撞振动系统混沌控制的研究现状 |
| 1.3 本文主要研究内容 |
| 2 非光滑动力系统的基本理论 |
| 2.1 非光滑系统的定义及分类 |
| 2.2 分岔及混沌的基本理论 |
| 2.2.1 分岔的基本定义 |
| 2.2.2 常见分岔的基本类型 |
| 2.2.3 混沌的基本定义 |
| 2.2.4 混沌运动的基本特征 |
| 2.3 混沌控制的基本方法 |
| 2.4 本章小结 |
| 3 碰撞振动系统分岔及混沌运动分析 |
| 3.1 单自由度刚性单侧约束碰撞振动系统的力学模型 |
| 3.2 单自由度刚性碰撞振动系统的倍周期分岔分析 |
| 3.2.1 倍周期分岔存在条件 |
| 3.2.2 Poincaré映射及周期运动的稳定性分析 |
| 3.2.3 数值模拟 |
| 3.3 单自由度刚性单侧约束碰撞振动系统的擦边分岔分析 |
| 3.3.1 擦边分岔周期运动存在条件 |
| 3.3.2 Poincaré映射及擦边余维二分岔分析 |
| 3.3.3 数值模拟 |
| 3.4 本章小结 |
| 4 基于RBFNN的混沌控制器设计及参数优化 |
| 4.1 径向基函数简介 |
| 4.2 RBFNN混沌控制器设计 |
| 4.3 基于IPSO算法的控制器参数优化选取 |
| 4.3.1 PSO算法的基本理论 |
| 4.3.2 PSO算法的数学描述 |
| 4.3.3 改进粒子群算法 |
| 4.3.4 仿真实验 |
| 4.4 适应度函数的构建 |
| 4.5 基于IPSO算法的混沌控制器参数优化基本流程 |
| 4.6 本章小结 |
| 5 单自由度刚性碰撞振动系统混沌运动的RBFNN控制 |
| 5.1 IPSO算法参数设置 |
| 5.2 混沌运动控制仿真 |
| 5.2.1 不同隐节点数对控制效果的影响研究 |
| 5.2.2 不同控制起始时间对控制效果的影响研究 |
| 5.3 不同预期控制目标的混沌运动控制仿真 |
| 5.4 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
（6）计算智能GWO算法优化及其在运动控制中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 课题研究的内容 |
| 1.2 计算智能概述 |
| 1.2.1 计算智能的发展 |
| 1.2.2 苍狼优化算法发展现状 |
| 1.3 永磁同步电机混沌控制与混沌同步控制的研究现状 |
| 1.4 机器人轨迹规划与优化控制的研究现状 |
| 1.5 论文章节内容安排 |
| 第二章 标准苍狼优化算法 |
| 2.1 引言 |
| 2.2 标准的苍狼优化算法 |
| 2.2.1 算法的思路来源 |
| 2.2.2 标准苍狼优化算法各环节模拟与分析 |
| 2.2.3 标准苍狼优化算法 |
| 2.3 苍狼优化算法收敛性能分析 |
| 2.4 实验验证苍狼优化算法 |
| 2.5 小结 |
| 第三章 基于淘汰重组机制与变异算子的改进GWO算法 |
| 3.1 引言 |
| 3.2 MR-GWO算法 |
| 3.2.1 淘汰与重组机制 |
| 3.2.2 优秀搜索狼的变异算子 |
| 3.2.3 改进的苍狼优化算法(MR-GWO) |
| 3.2.4 MR-GWO算法讨论与分析 |
| 3.3 苍狼优化算法的其它变体 |
| 3.4 无约束连续函数寻优实验 |
| 3.4.1 实验结果分析 |
| 3.4.2 算法误差分析 |
| 3.4.3 参数影响分析 |
| 3.5 有约束函数寻优实验 |
| 3.6 小结 |
| 第四章 动态GWO算法 |
| 4.1 引言 |
| 4.2 动态GWO算法 |
| 4.2.1 第一种动态GWO算法 |
| 4.2.2 第二种动态GWO算法 |
| 4.3 实验测试 |
| 4.3.1 测试函数介绍 |
| 4.3.2 实验结果 |
| 4.3.3 分析与讨论 |
| 4.4 动态GWO算法与其它改进策略的结合 |
| 4.5 小结 |
| 第五章 GWO在PMSM混沌控制与混沌同步控制中的应用 |
| 5.1 引言 |
| 5.2 PMSM的数学模型 |
| 5.2.1 PMSM的混沌分析 |
| 5.2.2 PMSM的哈密顿模型 |
| 5.3 基于GWO的PMSM哈密顿模型的混沌控制 |
| 5.3.1 扰动补偿器的设计 |
| 5.3.2 跟踪控制器的设计 |
| 5.3.3 基于GWO的PMSM混沌优化控制器的设计 |
| 5.4 基于GWO的PMSM混沌优化控制仿真验证 |
| 5.5 基于RBF-GWO网络PMSM混沌同步控制 |
| 5.5.1 RBF神经网络 |
| 5.5.2 基于苍狼优化算法的RBF-GWO神经网络 |
| 5.6 实验验证 |
| 5.6.1 PMSM混沌同构同步实验 |
| 5.6.2 PMSM混沌异构同步实验 |
| 5.6.3 讨论与分析 |
| 5.7 小结 |
| 第六章 GWO能量优化的Par4并联机器人轨迹规划与跟踪控制 |
| 6.1 引言 |
| 6.2 Par4并联机器人运动学反解与动力学方程 |
| 6.3 Par4并联机器人轨迹规划 |
| 6.3.1 基于Lamé曲线的轨迹形状规划 |
| 6.3.2 空间路径坐标变换 |
| 6.3.3 运动规律规划 |
| 6.4 基于GWO算法的能量最小轨迹优化 |
| 6.4.1 Par4并联机器人机械能耗 |
| 6.4.2 基于GWO算法的轨迹优化 |
| 6.5 基于GWO优化的轨迹规划实验验证 |
| 6.5.1 基础实验 |
| 6.5.2 相同的拾取点,不同的拾取高度的实验 |
| 6.5.3 不同拾取点,相同的拾取高度与跨度的实验 |
| 6.5.4 不同的跨度与拾取点,相同的拾取高度实验 |
| 6.6 轨迹规划的比较与分析 |
| 6.6.1 与其它计算智能算法的比较 |
| 6.6.2 与其它曲线的比较 |
| 6.6.3 轨迹规划的总结 |
| 6.7 基于DMR-GWO2并联机器人Type-2 模糊轨迹跟踪控制 |
| 6.7.1 Type-2 模糊逻辑系统 |
| 6.7.2 Par4并联机器人轨迹跟踪控制系统结构 |
| 6.7.3 Type-2 模糊预估补偿PID控制器的设计 |
| 6.7.4 基于DMR-GWO2的Type-2 模糊逻辑控制器与优化 |
| 6.8 Par4并联机器人轨迹跟踪实验 |
| 6.9 小结 |
| 第七章 结论 |
| 附录 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）机械臂的自适应神经网络混沌反控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文的研究背景与意义 |
| 1.2 相关领域国内外研究现状 |
| 1.2.1 机械臂控制技术研究现状 |
| 1.2.2 混沌反控制技术研究现状 |
| 1.2.3 机械臂混沌反控制研究现状 |
| 1.3 本文的研究内容与组织结构 |
| 第二章 相关知识与基础理论 |
| 2.1 混沌反控制相关知识 |
| 2.1.1 混沌系统 |
| 2.1.2 混沌反控制方法 |
| 2.2 自适应神经网络控制理论 |
| 2.2.1 常用神经网络 |
| 2.2.2 径向基神经网络 |
| 2.3 李雅普诺夫稳定性理论 |
| 2.4 本章小结 |
| 第三章 机械臂的鲁棒自适应混沌反控制设计 |
| 3.1 引言 |
| 3.2 问题描述与预备知识 |
| 3.2.1 滑模控制介绍 |
| 3.2.2 机械臂的动力学模型及性质 |
| 3.2.3 混沌系统 |
| 3.2.4 控制目标 |
| 3.3 算法设计及稳定性分析 |
| 3.3.1 控制器设计 |
| 3.3.2 闭环系统稳定性分析 |
| 3.4 仿真验证 |
| 3.5 本章小结 |
| 第四章 电驱动机械臂自适应混沌反控制设计 |
| 4.1 引言 |
| 4.2 问题描述与预备知识 |
| 4.2.1 动态面控制介绍 |
| 4.2.2 电驱动机械臂的动力学模型及性质 |
| 4.2.3 控制目标 |
| 4.3 算法设计及稳定性分析 |
| 4.3.1 控制器设计 |
| 4.3.2 闭环系统稳定性分析 |
| 4.4 仿真验证 |
| 4.5 本章小结 |
| 第五章 输入饱和电驱动机械臂自适应混沌反控制设计 |
| 5.1 引言 |
| 5.2 问题描述与预备知识 |
| 5.2.1 输入饱和的描述 |
| 5.2.2 控制目标 |
| 5.3 算法设计及稳定性分析 |
| 5.3.1 控制器设计 |
| 5.3.2 闭环系统稳定性分析 |
| 5.4 仿真验证 |
| 5.4.1 两连杆机械臂仿真 |
| 5.4.2 三连杆机械臂仿真 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）基于航迹数据的航路网络交通运行态势识别与预测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 空中交通态势感知技术研究 |
| 1.2.2 地面交通态势感知技术研究 |
| 1.3 研究内容与方案 |
| 1.3.1 研究内容 |
| 1.3.2 关键问题 |
| 1.3.3 技术路线 |
| 1.3.4 主要创新 |
| 1.4 论文章节安排 |
| 第二章 航路网络交通流时空特性探究与解析 |
| 2.1 引言 |
| 2.2 航路网络交通流波动特性分析 |
| 2.2.1 航路网络交通流波动幂律现象 |
| 2.2.2 航路网络交通流波动内外影响分析 |
| 2.3 航路网络交通流混沌特性分析 |
| 2.3.1 航路网络交通流时间序列相空间重构 |
| 2.3.2 航路网络交通流时间序列混沌性判定 |
| 2.4 路网航段交通流空间相关性分析 |
| 2.4.1 路网航段交通流多维标度法相关性分析 |
| 2.4.2 路网航段交通流相关性分组 |
| 2.5 本章小结 |
| 第三章 航路网络交通状态评价划分方法研究 |
| 3.1 引言 |
| 3.2 航路网络交通状态评价指标 |
| 3.2.1 指标的选取原则 |
| 3.2.2 航段交通状态评价指标 |
| 3.2.3 路网交通状态评价指标 |
| 3.2.4 航迹数据处理与指标计算 |
| 3.3 航段交通运行状态划分方法 |
| 3.3.1 航段交通运行状态划分理论 |
| 3.3.2 航段交通运行状态划分建模 |
| 3.3.3 算例验证与分析 |
| 3.4 路网交通运行状态评价方法 |
| 3.4.1 路网交通运行状态评价理论 |
| 3.4.2 路网交通运行状态评价建模 |
| 3.4.3 算例验证与分析 |
| 3.5 本章小结 |
| 第四章 航路网络交通运行态势识别方法研究 |
| 4.1 引言 |
| 4.2 航段交通运行状态识别方法 |
| 4.2.1 航段交通运行状态识别理论 |
| 4.2.2 航段交通状态基学习器构建 |
| 4.2.3 航段交通运行状态识别建模 |
| 4.2.4 算例验证与分析 |
| 4.3 航路网络交通态势识别方法 |
| 4.3.1 航路网络交通态势识别理论 |
| 4.3.2 航路网络交通运行状态识别建模 |
| 4.3.3 算例验证与分析 |
| 4.4 本章小结 |
| 第五章 航路网络交通运行状态预测方法研究 |
| 5.1 引言 |
| 5.2 航段交通运行态势短时预测方法 |
| 5.2.1 航段交通流神经网络融合预测理论 |
| 5.2.2 单航段交通运行状态融合预测建模 |
| 5.2.3 多航段交通运行状态融合预测建模 |
| 5.2.4 算例验证与分析 |
| 5.3 路网交通运行状态短时预测方法 |
| 5.3.1 路网整体交通运行状态预测理论 |
| 5.3.2 路网整体交通运行状态预测建模 |
| 5.3.3 算例验证与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论与成果 |
| 6.2 后续研究工作及展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（9）不确定分数阶系统的智能控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 分数阶系统发展概述 |
| 1.3 分数阶系统的稳定性研究概述 |
| 1.3.1 分数阶系统稳定性的研究 |
| 1.3.2 分数阶不确定系统稳定性的研究 |
| 1.3.3 基于智能控制方法的分数阶不确定系统稳定性研究 |
| 1.4 本文的主要研究内容 |
| 1.5 本文的组织 |
| 第2章 基本原理 |
| 2.1 分数阶微积分的定义与性质 |
| 2.1.1 定义 |
| 2.1.2 性质 |
| 2.2 分数阶系统稳定性 |
| 2.3 分数阶微分的数值计算 |
| 2.4 模糊系统 |
| 2.5 RBF神经网络 |
| 2.6 模糊神经网络 |
| 2.7 小结 |
| 第3章 基于自组织模糊神经网络的分数阶非线性MIMO系统的控制 |
| 3.1 引言 |
| 3.2 问题描述及基本假设 |
| 3.3 自组织模糊神经网络 |
| 3.4 基于自组织模糊神经网络的鲁棒控制器的设计 |
| 3.5 稳定性分析 |
| 3.5.1 分数阶微分采用RL定义 |
| 3.5.2 分数阶微分采用Caputo定义 |
| 3.6 数值仿真 |
| 3.7 小结 |
| 第4章 基于神经网络的不同维不同阶分数阶混沌系统的指定性能广义同步 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 基于神经网络的指定性能广义同步控制器的设计 |
| 4.4 稳定性分析 |
| 4.5 数值仿真 |
| 4.6 小结 |
| 第5章 基于BACKSTEPPING和神经网络的分数阶非线性系统跟踪控制 |
| 5.1 引言 |
| 5.2 基于神经网络的BACKSTEPPING鲁棒控制器的设计 |
| 5.3 稳定性分析 |
| 5.4 数值仿真 |
| 5.5 小结 |
| 第6章 分数阶正实不确定系统的智能控制 |
| 6.1 引言 |
| 6.2 一类分数阶线性正实不确定系统的稳定性和控制 |
| 6.2.1 问题描述 |
| 6.2.2 分数阶线性正实不确定系统控制器设计 |
| 6.2.3 数值仿真 |
| 6.3 基于观测器的一类分数阶线性时滞正实不确定系统的鲁棒控制 |
| 6.3.1 问题描述 |
| 6.3.2 分数阶线性时滞正实不确定系统基于观测器的控制器设计 |
| 6.3.3 数值仿真 |
| 6.4 一类分数阶非线性正实不确定系统的智能控制 |
| 6.4.1 问题描述 |
| 6.4.2 基于神经网络的控制器设计和稳定性分析 |
| 6.4.3 数值仿真 |
| 6.5 小结 |
| 第7章 总结与展望 |
| 7.1 研究成果总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录A 攻读学位期间完成的学术论文目录 |
| 附录B 攻读学位期间参与的科研项目目录 |
| 致谢 |
（10）风速时间序列非线性分析及短期预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.2 研究现状 |
| 1.3 本文内容安排 |
| 1.4 本文主要创新点 |
| 1.5 本章小结 |
| 第二章 风速时间序列分形特征分析 |
| 2.1 分形理论基础 |
| 2.1.1 分形基本定义 |
| 2.1.2 经典分形结构 |
| 2.2 风速时间序列分形特征分析 |
| 2.2.1 数据来源 |
| 2.2.2 分形维数分析 |
| 2.3 本章小结 |
| 第三章 基于Hurst指数的风速序列非线性分析 |
| 3.1 Hurst指数含义 |
| 3.2 R/S分析原理 |
| 3.2.1 经典R/S分析法 |
| 3.2.2 R/S类分析法 |
| 3.3 R/S类分析法的比较研究 |
| 3.3.1 分形高斯噪声模拟算法 |
| 3.3.2 基于FGN序列的R/S类分析法评价结果 |
| 3.4 风速时间序列Hurst指数分析 |
| 3.5 去趋势波动分析 |
| 3.6 功率谱分析 |
| 3.7 不同方法所得Hurst指数比较研究 |
| 3.8 本章小结 |
| 第四章 混沌理论基础 |
| 4.1 混沌起源及发展 |
| 4.2 混沌基本概念 |
| 4.3 相空间重构理论 |
| 4.4 相空间重构参数选取 |
| 4.5 经典混沌系统 |
| 4.5.1 虫口模型——Logistics映射 |
| 4.5.2 Lorenz混沌系统 |
| 4.5.3 Rosler混沌系统 |
| 4.5.4 Chen's吸引子 |
| 4.5.5 Duffing方程 |
| 4.6 风速时间序列混沌特征识别意义 |
| 4.7 本章小结 |
| 第五章 风速时间序列混沌特征识别 |
| 5.1 相图法 |
| 5.2 频谱分析法 |
| 5.3 最大Lyapunov指数法 |
| 5.4 0-1混沌判定法 |
| 5.5 本章小结 |
| 第六章 风速时间序列短期预测 |
| 6.1 基于RBF神经网络的风速预测 |
| 6.1.1 RBF神经网络结构 |
| 6.1.2 RBF神经网络算法 |
| 6.1.3 风速时间序列RBF神经网络预测 |
| 6.2 风速时间序列的Volterra自适应预测研究 |
| 6.2.1 风速时间序列的Volterra自适应滤波器 |
| 6.2.2 Volterra滤波器自适应算法 |
| 6.2.3 LMS自适应算法基本原理 |
| 6.2.4 风速时间序列Volterra自适应模型算法步骤 |
| 6.2.5 Volterra自适应预测模型检验 |
| 6.2.6 基于Volterra自适应预测模型的风速时间序列预测 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 在读期间公开发表的论文和承担科研项目及取得成果 |
| 一、科研成果 |
| 二、科研项目 |
| 三、获得荣誉 |
| 致谢 |
四、一类非线性混沌系统的RBF神经网络控制（论文参考文献）
- [1]基于RBF神经网络控制的分数阶混沌系统同步研究[D]. 徐紫辉. 东北石油大学, 2021
- [2]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [3]具有共存吸引子的新超混沌系统及其控制研究[D]. 李木子. 东北师范大学, 2021(12)
- [4]基于采样数据的确定学习及应用[D]. 吴伟明. 华南理工大学, 2020
- [5]碰撞振动系统的分岔分析及混沌控制[D]. 梁远程. 兰州交通大学, 2020(01)
- [6]计算智能GWO算法优化及其在运动控制中的应用[D]. 张小青. 西安电子科技大学, 2020(05)
- [7]机械臂的自适应神经网络混沌反控制研究[D]. 李杨. 华南理工大学, 2019(01)
- [8]基于航迹数据的航路网络交通运行态势识别与预测技术研究[D]. 李桂毅. 南京航空航天大学, 2018(01)
- [9]不确定分数阶系统的智能控制方法研究[D]. 李安平. 湖南大学, 2018(06)
- [10]风速时间序列非线性分析及短期预测[D]. 袁全勇. 上海理工大学, 2018(04)