一级倒立摆控制器的设计与实现

该文以固高一级直线型倒立摆为研究对象,根据LQR控制和PID控制的优缺点互补,采用LQR控制结合PID的控制器,使系统具有结构简单、易于实现以及具有较强的适应性和鲁棒性,并且可以获得良好的动态性能和稳态性能。     

二级倒立摆控制器设计及稳定性研究

在二级倒立摆控制器优化设计的研究中,由于二级倒立摆系统是一种复杂多变量、强耦合的不稳定系统,较难达到稳定平衡状态,首先要建立模型,之后才能够进行系统仿真与实际控制实验.由于系统对控制器性能要求较高,因此选用遗传算法训练的小波神经网络控制器,并针对遗传算法仍然存在的收敛速度慢,泛化性能差,可能陷入“早熟”等许多问题,对算法加以改进.将采用罚函数为基础的小生境技术引进到遗传算法中;并根据个体适应度来改进交叉概率.在仿真与实物控制实验中,控制器能够实现二级倒立摆系统的稳定控制,且抗干扰能力、系统平衡恢复速度优良,验证了设计的二级倒立摆控制器的有效性.     

基于内分泌调节机制的行为自组织算法

借鉴内分泌系统的高层调节机制,提出了一种新的自主体行为自组织算法.此算法用神经系统接受环境信息,通过一种情感学习模型来产生情感因子(即生物激素),再由情感因子来调节神经系统的记忆和行为决策,最后神经系统的记忆与行为模式由遗传系统得以继承.其优点是避免了神经系统复杂的自学习过程,同时保证系统的行为决策具有较高的自组织、自适应能力.为了验证算法的有效性,倒立摆控制的仿真实验表明该算法具有很强的自适应求解能力.     

倒立摆系统的高精度控制器设计与实现

对线性二次调节器LQR算法中Q和R矩阵的参数与控制系统反馈矩阵Ⅸ之间的关系进行了实验研究,并将所获得的最佳反馈矩阵作为所设计的神经网络控制器的权值初始值。该神经网络控制器是带有局部递归神经网络并具有PID结构的控制器,因而设计简单,尤其适合用于多变量非线性时变系统。通过对一级和二级直线倒立摆系统的具体控制器的设计以及实验,将LQR控制器与神经网络控制器分别在无干扰和有干扰情况下的控制效果进行了对比分析,设计并实现了具有控制精度以及鲁棒性比最优线性二次调节器更高的一级和二级直线倒立摆系统。     

多种群遗传算法的倒立摆LQR控制器设计

针对传统遗传算法在设计倒立摆LQR控制器时,算法会因个别超常个体或群体较快趋于单一化而导致不能得到满意控制参数的问题,利用Sheffield遗传工具箱,设计了多种群遗传算法。算法的开始引入了多个种群同时进行优化搜索,不同的种群采用不同的交叉概率和变异概率,种群之间采用移民算子建立联系,各种群产生的最优个体通过精华种群实现留优。在Simulink环境下建立模型并计算性能指标,Simulink环境下的输出值作为多种群遗传算法的目标函数值。仿真结果表明,在存在建模误差的情况下,本算法稳定性好、遗传代数小,有效地避免了早熟,更为适合复杂问题的优化。     

视觉情感识别系统的设计与实现

在现实生活中,人们具有丰富的情感,而情感会影响人的行为及认知等.为了获取并识别人类的情感,提出一种基于深度学习的"视觉情感识别系统"的设计方案.通过Python语言编写网络爬虫程序,爬取网络上带有情感标签的人脸图片,从而为神经网络的训练提供数据;采用Keras框架搭建卷积神经网络,对带有情感标签的人脸图片进行深度学习,...     

多变量系统控制器的参数满意优化设计

为了将满意优化拓展到多变量系统中以解决多变量控制系统线性二次型(LQ)控制器设计中加权系数阵确定难的问题,提出多变量系统满意优化设计方法,通过设计满意度函数,构造出多变量系统的满意优化数学模型,并用改进遗传算法实现二级倒立摆系统LQ控制器满意优化设计.仿真结果显示,系统具有更满意的综合性能指标.证实了该方法的有效性和实用性.本文的研究对多变量系统优化设计具有一定的参考价值.     

一种基于遗传算法的神经网络控制方法

本文比较了传统的BP算法和遗传算法用于神经网络设计的优缺点,阐明了遗传算法和神经网络相结合的必要性,提出了一种用遗传算法同时优化网络的结构和权值的神经网络控制方法,通过对遗传算法基本参数及骗码方案,遗传算子的设计,实现了权值与结构的同时优化,成功地应用于二级倒立摆系统的控制,仿真结果显示了这种遗传算法能够有效抑制早期收敛,以较快的速度与较高的精度达到全局快速收敛。     

单级倒立摆复合控制设计与实现

本文针对LQR控制在单级倒立摆控制中的不足,设计了一个LQR结合PID的复合控制.并在Borland c语言环境下编写控制程序,成功实现倒立摆的控制,其控制效果比单-LQR控制的抗扰能力有明显提高.     

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。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。     

SISO非线性系统H∞控制:Volterra级数法

首先基于Ｖｏｌｔｅｒｒａ级数理论,将一般的ＳＩＳＯ离散系统非线性算子表示为ｎ阶Ｖｏｌｔｅｒｒａ线性算子级数,其次,将线性系统Ｈ∞控制的插值理论与斜Ｔｏｅｐｌｉｔｚ优化算法应用到每阶Ｖｏｌｔｅｒｒａ线性算子中,并利用算子中交换提升理论的结果,求出相应的ｎ阶Ｖｏｌｔｅｒｒａ算子的最优补偿参数,这些最优补偿参数的级数是局部稳定的非线性算子。通过此算子即求出最优Ｈ∞控制器,最后给出具体设计步骤,并进行了仿     

基于内分泌调节机制的机器人行为规划算法及其应用研究

借鉴内分泌系统对神经系统与遗传系统的高层调节机制，提出了一种新的基于内分泌调节机制的机器人行为规划算法．此算法中机器人通过神经系统接受环境信息并进行行为决策，行为决策的效果通过一种情感学习模型进行反馈．情感学习模型根据机器人的内、外环境状态,产生情感因子(即生物激素)，再由情感因子来调节神经系统的记忆和行为决策，最后神经系统的记忆与行为模式又由遗传系统得以继承．该算法有效避免了神经系统复杂的自学习过程。同时也保证机器人有较强的自适应能力．为了验证算法的有效性，本文做了机器人足球队守门员训练的仿真实验，结果也表明该算法具有很强的自适应学习能力．     

基于改进遗传算法的小波神经网络控制器的研究

小波神经网络是一种引入小波分析理论的前馈型神经网络,其与遗传算法的结合可以得到一种拥有良好全局优化搜索和良好局部时频特性的学习训练途径。本文提出了一种基于改进遗传算法的小波神经网络控制器,此方法可以克服基本遗传算法收敛速度慢,容易陷入＂早熟＂收敛,计算稳定性不好等一系列问题,进一步提高了小波神经网络控制器的性能。最后通过二级倒立摆仿真和实物控制,证明了控制器的有效性。     

基于Q学习算法和BP神经网络的倒立摆控制

Q学习是Watkins[1]提出的求解信息不完全马尔可夫决策问题的一种强化学习方法.将Q学习算法和BP神经网络有效结合,实现了状态未离散化的倒立摆的无模型学习控制.仿真表明:该方法不仅能成功解决确定和随机倒立摆模型的平衡控制,而且和Anderson[2]的AHC(Adaptive Heuristic Critic)等方法相比,具有更好的学习效果.     

基于留优遗传算法的倒立摆最优LQR控制

被控系统稳定性与LQR控制器权重矩阵Q和R的选择有关。针对选择适当的Q和R使系统在约束条件下达到稳定性最优的问题,提出了一种通过留优遗传算法实现二级倒立摆系统LQR控制器参数寻优的新方法。以被控系统的动能积分为性能指标来实现寻优,以能量为寻优性能指标,可使二级倒立摆系统各部分的稳定性以统一的量纲表示。可依据倒立摆系统的耦合性,从总体的角度考虑系统的稳定性。仿真的结果表明了该方法的有效性。     

非线性倒立摆系统的神经网络辨识

基于四种非线性系统模型,对典型的不稳定、非线性、强耦合的倒立摆系统建立了神经网络辨识结构,并对辨识结果进行了简单的比较,讨论了隐含元个数的选择对模型辨识精度的影响。结果表明神经网络对于非线性倒立摆系统的辨识是有效的。