一种生长型神经网络的倒立摆控制方案

针对倒立摆系统,提出了在结构上可生长的神经网络控制方案.网络利用细胞生长结构算法,在工作域中实现对状态变量的模式分类,并通过新神经元的插入实现网络规模的生长演化.在输出域中针对倒立摆控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激.仿真表明,通过神经网络自身的发育,该方案有效控制了倒立摆系统.     

基于一种生长型神经网络的倒立摆控制

针对倒立摆这样的典型控制问题,提出了一种在结构与规模上可生长的神经网络控制方案。网络利用细胞生长结构算法的生长机制,在工作域中实现对刺激信号的自组织模式分类,并可通过新神经元的插入,实现网络规模的生长演化。在输出域中针对控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。最后进行了倒立摆的自学习控制的仿真实验,表明在自治地与环境的交互作用中,通过神经网络自身的发育,该方案有效地控制了倒立摆系统。     

基于可生长结构的神经网络建模与仿真

构建了用于倒立摆平衡控制的神经网络学习模型。该模型利用可生长结构神经网络的优势，不需要预先规定网络的结构和规模，便可以在学习过程中根据需要生长。基于可生长结构的神经网络将监督与无监督学习结合，能够快速学习刺激与响应之间的潜在关系。该神经网络离线进行监督学习，训练后作为控制器作用于倒立摆系统，构成基于可生长结构的倒立摆控制模型。以Matlab为开发工具进行了仿真实验。仿真结果表明，该模型能够完成一级倒立摆平衡控制任务，并验证了其有效性和抗干扰能力：     

单神经元PID倒立摆系统

为解决双PD倒立摆控制器参数不可调的难题,利用单神经元PID控制算法简单、权值可调的特点,针对倒立摆系统,设计出基于小车位移和摆杆摆角两个回路的单神经元PID控制器。通过仿真实验研究,证明了该控制方案的可行性和有效性。最后,将该控制方案与目前常使用的双PD控制及LQR控制进行了比较。     

PID控制在倒立摆实时控制系统中的应用

针对单级倒立摆系统的单输入双输出、强非线性、强耦合的不稳定系统,提出了双回路PID控制方案。通过仿真试验研究了双回路PID多种组合控制方案的可行性,并选出最佳方案——双回路PD-PD控制方案。通过在实际单级倒立摆装置上的实时控制试验证实所提出的控制方案可以实现了对小车位置和摆杆偏角的同时闭环控制。     

基于模糊神经网络的倒立摆非线性系统分析

倒立摆系统以其自身的不稳定性而难以控制,也因此成为自动控制实验中验证控制策略优劣的极好的实验装置;针对倒立摆系统的平衡控制问题,提出了用一种应用神经网络来控制倒立摆的方法,同时由于神经元网络的训练的反复性,因此在系统中加入一个模糊控制器,来对神经网络输出的控制变量进行补偿,使神经元网络训练的权值能够始终保持在某一稳定值,从而保证了控制器稳定,仿真实验结果表明采用该方法设计的并联型模糊神经网络控制器对倒立摆这一先天不稳定的系统具有理想的控制效果。     

基于神经网络的强化学习算法实现倒立摆控制

运用强化学习的方法来对连续的倒立摆系统实现平衡控制是一直以来有待解决的问题。该文将Q学习与神经网络中的BP网络、S激活函数相结合，利用神经网络的泛化性能，设计出一种新的学习控制策略，通过迭代和学习过程，不但能够解决倒立摆系统连续状态空间的输入问题，还成功解决了输出连续动作空间的问题。将此方法运用于连续倒立摆系统的平衡控制中，经过基于实际控制模型的Matlab软件仿真实验，结果显示了这个方法的可行性。该方法进一步提高了强化学习理论在实际控制系统中的应用价值。     

单级倒立摆的PID控制研究

对单级倒立摆系统的平衡控制问题进行了研究,分别采用PD,PI和PID三种方案实现了单级倒立摆系统的平衡控制.首先,建立系统的数学模型,然后通过仿真实验设计并整定各方案的控制器参数,将所设计的控制器分别在实际的物理设备上进行实时控制实验,都成功地实现了倒立摆的平衡控制.实际控制结果验证了各方案的正确性和有效性.     

单级倒立摆反馈线性化控制仿真

本文以单级倒立摆为控制对象,介绍了反馈线性化的基本原理,设计神经网络控制器对消系统的非线性,实现对单级倒立摆的反馈线性化控制。并通过MATLAB软件进行仿真实验,结果表明了该方法的有效性。     

单级倒立摆的PID控制研究

对单级倒立摆系统的平衡控制问题进行了研究，分别采用PD，PI和PID三种方案实现了单级倒立摆系统的平衡控制。首先，建立系统的数学模型，然后通过仿真实验设计并整定各方案的控制器参数，将所设计的控制器分别在实际的物理设备上进行实时控制实验，都成功地实现了倒立摆的平衡控制。实际控制结果验证了各方案的正确性和有效性。     

An Examination of Qubit Neural Network in Controlling an Inverted Pendulum

The Qubit neuron model is a new non-standard computing scheme that has been found by simulations to have efficient processing abilities. In this paper we investigate the usefulness of the model for a non linear kinetic control application of an inverted pendulum on a cart. Simulations show that a neural network based on Qubit neurons would swing up and stabilize the pendulum, yet it also requires a shorter range over which the cart moves as compared to a conventional neural network model.     

Neural network control for position tracking of a two-axis inverted pendulum system: experimental studies.

In this paper, experimental studies of a decentralized neural network control scheme of the reference compensation technique applied to control a 2-degrees-of-freedom (2-DOF) inverted pendulum on an x - y plane are presented. Each axis is controlled by two separate neural network controllers to have a decoupled control structure. Neural network controllers are applied not only to balance the angle of pendulum, but also to control the position tracking of the cart. The decoupled control structure can compensate for uncertainties and cancel coupling effects. Especially, a circular trajectory tracking task is tested for position tracking control of the cart while maintaining the angle of the pendulum. Experimental result shows that position control of the inverted pendulum and cart is successful.     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

非线性倒立摆的BP神经网络系统辨识

基于BP神经网络能以任意精度逼近任何非线性连续函数的原理。通过在MATLAB环境下,对典型的不稳定、非线性、强耦合的倒立摆系统建立了BP神经网络辨识结构,并对辨识结果进行了分析。结果表明BP神经网络对非线性倒立摆模型的辨识是有效的。     

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。     

Matlab神经网络工具箱BP算法比较

BP前馈网络，应用的最为广泛的神经网络，目前拥有许多算法。研究了Matlab神经网络工具箱提供的多种BP算法函数各自的优势和不足，以能在各种不同条件面对不同问题时选用更合适更快速的算法。在介绍了这些算法的基本原理的基础上，以一级倒立摆模型为例进行仿真研究。分别选用简单网络和复杂网络，并对学习步长做了改变，对比了各种BP算法在不同情况下的迭代次数和仿真时间，验证了新型BP算法的优势，得出了对简单网络和复杂网络应该如何选用BP算法的结论。     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

圆轨倒立摆摆起过程神经网络闭环控制方法

在圆轨倒立摆摆起过程开环控制律优化算法的基础上,应用高精度多层人工神经网络 插值原理,研究了摆起过程的闭环控制方法.以每个时间段上的状态变量和相应的控制变量为 输入输出学习样本,建立前馈人工神经网络,构成摆起过程的反馈控制系统.通过仿真与实际控 制,表明所研究方法是可行和有效的,并为复杂非线性系统的闭环控制提供了新的思路.