时滞关联大系统稳定性分析与控制

论文摘要

本文利用M-矩阵理论,应用微分不等式以及拓扑学等有关知识,通过构建向量李雅普诺夫函数,研究了三类时间滞后大系统的指数稳定性以及智能交通系统中车辆纵向跟随控制问题。首先研究了一类具有时间滞后的线性关联大系统的全局指数稳定性,得到了该类线性关联大系统全局指数稳定的一个新判据,对指数收敛率进行了估计,并用算例对判据的有效性进行了验证;接着研究了一类非线性大系统——具有时间滞后的模糊细胞神经网络的全局指数稳定性,在没有假定激励函数有界、可微等约束条件的前提下,得到了该类细胞神经网络平衡点的存在性、唯一性及其在平衡点全局指数稳定的几个判定准则,同时对指数收敛率进行了估计;最后研究了具有时间滞后的自动化高速公路车辆跟随系统的指数稳定性,得到了车辆跟随系统的指数稳定性判据,根据变结构滑模控制策略设计了车辆跟随系统的纵向控制规律,然后基于稳定性准则确定了车辆纵向跟随控制器的参数。仿真实验表明,基于该方法设计的车辆纵向跟随控制器能使跟踪误差具有较快的收敛率。由于文中得到的关于以上三类时间滞后大系统的稳定性判定条件均与时间滞后无关,所以可以比较方便地应用于实践。

论文目录

• 第1章 绪论
• 1.1 引言
• 1.2 时滞大系统及其稳定性分析概况
• 1.3 细胞神经网络及其稳定性分析概况
• 1.4 智能交通系统及自动高速公路车辆跟随控制问题介绍
• 1.5 本文主要的研究思路和方法
• 第2章 一类时间滞后关联大系统的全局指数稳定性分析
• 2.1 系统数学模型及假设
• 2.2 平衡点的全局指数稳定性
• 2.3 算例分析
• 2.4 比较与讨论
• 2.5 小结
• 第3章 时滞模糊细胞神经网络全局指数稳定性分析
• 3.1 系统数学模型及引理
• 3.2 平衡点的存在性与唯一性
• 3.3 平衡点的全局指数稳定性
• 3.4 比较与讨论
• 3.5 小结
• 第4章 时滞车辆跟随系统稳定性分析与控制
• 4.1 车辆跟随系统的数学模型及稳定性定义和引理
• 4.2 车辆跟随系统的稳定性分析
• 4.3 车辆纵向跟随控制器的设计
• 4.3.1 误差准则的定义
• 4.3.2 控制律的设计
• 4.3.3 控制参数的确定
• 4.3.4 数字仿真
• 4.4 比较与讨论
• 4.5 小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文