This paper focuses on adaptive fuzzy tracking control for a class of uncertain single-input /single-output nonlinear strict-feedback systems. Fuzzy logic systems are directly used to approximate unknown and desired control signals and a novel direct adaptive fuzzy tracking controller is constructed via backstepping. The proposed adaptive fuzzy controller guarantees that the output of the closed-loop system converges to a small neighborhood of the reference signal and all the signals in the closed-loop system remain bounded. A main advantage of the proposed controller is that it contains only one adaptive parameter that needs to be updated online. Finally, an example is used to show the effectiveness of the proposed approach.

This paper addresses the finite-time tracking issue for nonlinear quantized systems with unmeasurable states. Compared with the existing researches, the finite-time quantized feedback control is considered for the first time. By proposing a new finite-time stability criterion and designing a state observer, a novel adaptive neural output-feedback control strategy is raised by backstepping technique. Under the presented control scheme, the finite-time quantized feedback control problem is coped with without limiting assumption for nonlinear functions.

This paper is concerned with the problem of adaptive fuzzy tracking control for a class of pure-feedback stochastic nonlinear systems with input saturation. To overcome the design difficulty from nondifferential saturation nonlinearity, a smooth nonlinear function of the control input signal is first introduced to approximate the saturation function; then, an adaptive fuzzy tracking controller based on the mean-value theorem is constructed by using backstepping technique. The proposed adaptive fuzzy controller guarantees that all signals in the closed-loop system are bounded in probability and the system output eventually converges to a small neighborhood of the desired reference signal in the sense of mean quartic value. Simulation results further illustrate the effectiveness of the proposed control scheme.

This paper addresses the finite-time tracking problem of nonlinear pure-feedback systems. Unlike the literature on traditional finite-time stabilization, in this paper the nonlinear system functions, including the bounding functions, are all totally unknown. Fuzzy logic systems are used to model those unknown functions. To present a finite-time control strategy, a criterion of semiglobal practical stability in finite time is first developed. Based on this criterion, a novel adaptive fuzzy control scheme is proposed by a backstepping technique. It is shown that the presented controller can guarantee that the tracking error converges to a small neighborhood of the origin in a finite time, and the other closed-loop signals remain bounded. Finally, two examples are used to test the effectiveness of proposed control strategy.

Controlling nonstrict-feedback nonlinear systems is a challenging problem in control theory. In this paper, we consider adaptive fuzzy control for a class of nonlinear systems with nonstrict-feedback structure by using fuzzy logic systems. A variable separation approach is developed to overcome the difficulty from the nonstrict-feedback structure. Furthermore, based on fuzzy approximation and backstepping techniques, a state feedback adaptive fuzzy tracking controller is proposed, which guarantees that all of the signals in the closed-loop system are bounded, while the tracking error converges to a small neighborhood of the origin. Simulation studies are included to demonstrate the effectiveness of our results.

In this paper, we consider the problem of observer-based adaptive neural output-feedback control for a class of stochastic nonlinear systems with nonstrict-feedback structure. To overcome the design difficulty from the nonstrict-feedback structure, a variable separation approach is introduced by using the monotonically increasing property of system bounding functions. On the basis of the state observer, and by combining the adaptive backstepping technique with radial basis function neural networks' universal approximation capability, an adaptive neural output feedback control algorithm is presented. It is shown that the proposed controller can guarantee that all the signals in the closed-loop system are semi-globally uniformly ultimately bounded in the sense of mean quartic value. Simulation results are provided to show the effectiveness of the proposed control scheme.

This paper is concerned with the problem of the robust stability of nonlinear delayed Hopfield neural networks (HNNs) with Markovian jumping parameters by Takagi-Sugeno (T-S) fuzzy model. The nonlinear delayed HNNs are first established as a modified T-S fuzzy model in which the consequent parts are composed of a set of Markovian jumping HNNs with interval delays. Time delays here are assumed to be time-varying and belong to the given intervals. Based on Lyapunov-Krasovskii stability theory and linear matrix inequality approach, stability conditions are proposed in terms of the upper and lower bounds of the delays. Finally, numerical examples are used to illustrate the effectiveness of the proposed method.

This paper focuses on the problem of adaptive neural network (NN) control for a class of nonlinear nonstrict-feedback systems via output feedback. A novel adaptive NN backstepping output-feedback control approach is first proposed for nonlinear nonstrict-feedback systems. The monotonicity of system bounding functions and the structure character of radial basis function (RBF) NNs are used to overcome the difficulties that arise from nonstrict-feedback structure. A state observer is constructed to estimate the immeasurable state variables. By combining adaptive backstepping technique with approximation capability of radial basis function NNs, an output-feedback adaptive NN controller is designed through backstepping approach. It is shown that the proposed controller guarantees semiglobal boundedness of all the signals in the closed-loop systems. Two examples are used to illustrate the effectiveness of the proposed approach.

This paper focuses on finite-time adaptive neural tracking control for nonlinear systems in nonstrict feedback form. A semiglobal finite-time practical stability criterion is first proposed. Correspondingly, the finite-time adaptive neural control strategy is given by using this criterion. Unlike the existing results on adaptive neural/fuzzy control, the proposed adaptive neural controller guarantees that the tracking error converges to a sufficiently small domain around the origin in finite time, and other closed-loop signals are bounded. At last, two examples are used to test the validity of our results.