一种基于BP组件的学习控制系统及其在倒立摆控制上的应用

给出了一个组件化方法设计学习控制系统的一个实例.学习控制系统建立在两个BP组件——BP模型和BP控制器的基础上,通过双通道反向学习的方法在控制过程中进行自我调整,适应控制对象的变化以及模型和控制器本身的不同条件.首先介绍了BP组件的接口和功能规范.然后建立基于BP组件的学习控制系统的组件化框架.最后给出一个基于BP组件的学习控制系统在倒立摆控制上的应用.     

基于BP网络二级倒立摆系统PID控制

为了更好地实现对二级倒立摆系统的控制,在基于BP神经网络的PID控制器的基础上,引入增量式函数观测器。以便更好反馈系统的状态来帮助PID控制器作出鲁棒性和适应性更高的控制策略。仿真实验表明,该技术成功地实现了对二级倒立摆系统的控制,其稳定性要优于LQR控制策略。     

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。     

基于模糊神经网络的倒立摆控制系统

在分析模糊控制、神经网络控制的基础上,根据倒立摆的特点,提出了模糊神经网络的控制结构。使用了遗传算法和BP算法相结合的方式来优化模糊神经网络,并以固高公司的倒立摆做实验,对实验结果进行了深入的研究和分析。     

基于强化学习的二级倒立摆控制

在模型未知和没有先验经验的条件下，采用一种改进的强化学习算法实现二级倒立摆系统的平衡控制。该学习算法不需要预测和辨识模型，能通过网络自身的联想和记忆，在线寻求最优策略。该学习算法采用基于神经网络的值函数逼近，并用直接梯度和适合度轨迹修正权值，有效实现对连续状态和行为空间任务的控制。计算机仿真证明了该强化学习算法在较短的时间内即可成功地学会控制直线二级倒立摆系统。     

基于EKF滤波的倒立摆神经网络控制研究

为解决一类带干扰的模型不确定倒立摆系统中存在的两类未知项——未知函数和外界干扰,采用了基于Lyapunov函数稳定性的神经网络控制方法设计控制器。控制器设计中利用扩展卡尔曼滤波(EKF)消除系统观测噪声,获取系统状态的估计值,进而利用径向基函数(RBF)神经网络良好的逼近性来近似设计的控制律中的未知项。最后在倒立摆系统中对设计的神经网络控制器进行了仿真研究,仿真结果表明所设计的控制器能有效抑制外界干扰,在精确控制倒立摆的同时可以保证控制系统的稳定性和快速性。     

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。     

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。     

倒立摆与控制理论研究

介绍了倒立摆系统的几种主要控制方法,如线性控制、模糊控制、拟人智能控制和鲁俸控制,分析了各种方法的特点以及它们之间的联系,对各种方法的优缺点进行了评价.通过上述内容的介绍与探讨,充分展示了倒立摆作为一个典型控制对象,在控制理论研究中的重要地位.最后,揭示了研究倒立摆控制问题的现实意义,并对这一领域的前景提出展望.     

基于非线性控制方法的倒立摆系统控制

应用非线性系统跟踪控制方法对倒立摆系统的控制进行研究.基于非线性系统控制方法对倒立摆系统摆的镇定问题、台车位置调节问题和鲁棒控制问题设计出了具体的控制器.最后给出了在所设计的各种控制器作用下系统的仿真结果,结果表明所设计的控制器对倒立摆系统的稳定控制具有良好的效果.     

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。     

一种基于递归神经网络的自适应控制方法研究

本文针对快速、多变量、强非线性的复杂系统的控制问题,在强化学习方式的基础上,提出一种新的自适应控制方法。该方法在没有先验知识的条件下,基于递归神经网络并结合强化学习的自调节能力,通过自身神经网络的在线学习,有效控制不稳定的非线性系统。本文以一级倒立摆系统为实验对象,仿真实验结果表明:所提出的控制方法具有非常好的控制效果和稳定精度,抗干扰能力强。     

情感多主体系统的设计与实现

多Agent在复杂多变的环境中行为的自组织是当前人工智能研究的一个热点．本文借鉴生物系统控制的理论，设计了一种多Agent的体系结构，在此结构中包含有遗传、神经和内分泌控制子系统．本文重点论述了内分泌控制子系统的作用，提出了用情感进行行为学习的新方法．在此方法中，神经系统的作用是记忆和行为决策，其行为决策的效果通过内分泌系统进行反馈，从而避免了神经网络的自学习，使得算法具有较好的求解性能．为了验征该算法的有效性，本文做了倒立模控制的仿真实验．仿真结果也表明算法具有很强的自适应求解能力．     

基于强化学习的倒立摆分数阶梯度下降RBF控制

为了提高强化学习的控制性能,提出一种基于分数梯度下降RBF神经网络的强化学习算法.通过评价神经网络和执行神经网络组成强化学习系统,利用神经网络记忆和联想,学会控制倒立摆,提高控制精度,使误差趋于零,直至学习成功,并证明闭环系统的稳定性.通过倒立摆的物理实验发现,当分数阶阶数较大,微分的作用更显著,对角速度和速度的控制效果更好,角速度和速度的均方误差和平均绝对误差较小;当分数阶阶数较小,积分的作用更显著,对倾斜角和位移的控制效果更好,因此倾斜角和位移的均方误差和平均绝对误差较小.仿真实验的结果表明,所提算法动态响应好,超调量小,调整时间短,精度高,泛化性能好.它优于基于RBF神经网络的强化学习算法和传统强化学习算法,能有效地加快梯度下降法的收敛速度,提高其控制性能.在引入适当的干扰后,所提算法能够快速地自我调节并恢复稳定状态,控制器的鲁棒性和动态性能满足实际要求.     

基于神经网络的最优保代价控制器设计

针对一类非线性系统,并以典型倒立摆装置为对象,讨论了以一种稳定性分析为基础的控制器设计方法。首先利用多层神经网络模型逼近动态系统中的非线性环节,并表示成线性微分组合形式。在此基础上,结合线性系统二次稳定理论和线性矩阵不等式技术,引入线性二次型指标,给出保代价反馈控制器设计方法,进而优化代价指标的上界,可得最优保代价控制器。该设计方法中,神经网络建模和反馈增益求解均可利用现有的算法,简单易行,仿真结果表明了其有效性和适用性。     

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。     

DRNN在倒立摆摆起控制中的研究

针对小车一级倒立摆的起摆控制,以DRNN神经网络作为辨识器,在线自适应调整PD控制器的两项参数。在起摆范围相同的情况下,DRNN神经网络控制的倒立摆系统其模型参数变化范围为-50%～30%,传统PD控制倒立摆系统其参数变化范围为-40%～20%。结果表明,基于DRNN神经网络的PD控制器比传统的PD控制器具有较强的抗干扰能力和自适应能力,系统鲁棒性增强,效果明显优于传统的PD控制器。     

基于RBF的倒立摆摆起角度控制研究

针对小车一级倒立摆的起摆控制,利用径向基函数神经网络的自适应能力,微调系统的控制参数,构造一个具有自调整能力的控制器来增大倒立摆摆起角度范围。结果表明,基于RBF网络的PID控制器较常规PID控制器具有更强的自适应能力、更高控制精度和更好的鲁棒性,能满足控制系统的实时性要求。     

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。     

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.