利用云模型实现智能控制倒立摆

提出一种利用云模型实现智能控制倒立摆的方法,其控制策略不需要被控对象的数学模型,只需依据人的经验,感觉和逻辑判断,将人用语言值定性表达的控制经验,通过语言原子和云模型转换到语言控制规则器中,就能解决非线性问题和不确定性问题。倒立摆这样的典型被控对象,验证了该控制方法的可行性和有效性。仿真分析与实验结果表明,该控制方法对被控对象的状态和参数变化,具有一定的鲁棒性,应用前景广阔。     

环形一级倒立摆摆起及稳定控制研究

本文通过拉格朗日方程推导出环形一级倒立摆系统的数学模型,用能量方法对该模型进行摆起控制;在倒立摆成功摆起后,在倒立平衡点对系统模型进行线性化,并用线性二次型最优控制(LQR)算法对倒立摆线性化模型进行稳定控制。仿真结果表明本文给出的控制方法是有效的。     

基于STM32的飞轮倒立摆的平衡控制

平衡控制在航空航天、机器人直立控制、科研教学等方面具有广泛应用,因此对平衡控制的研究具有重要意义。以倒立摆为对象研究平衡控制,首先在CAD三维设计软件中设计了倒立摆模型,在ADAMS中通过控制系统仿真模拟实现了倒立摆的平衡控制;同时搭建了实物模型,设计了相关的硬件电路和控制程序,实现了实物模型的起跳及平衡控制。实验结果表明所设计的飞轮倒立摆具有良好的稳定性和抗干扰性。     

基于LQR的一阶直线双倒立摆最优控制系统研究

从理论和实践上对线性一阶直线双倒立摆作了深入的研究。首先,用牛顿-欧拉方法建立了双倒立摆的精确数学模型;其次,对其模型进行最优控制。主要采用线性二次型最优控制方法设计了双倒立摆的控制器。通过试验对模型进行仿真验证,并达到较好的控制效果。     

平面倒立摆建模与最优控制算法的研究

倒立摆系统是一个多变量、非线性、高阶次、强耦合、欠驱动的自然不稳定系统,是自动控制理论教学和研究中典型的物理模型。本文以平面倒立摆系统为研究对象,使用拉格朗日方程建立了多级平面倒立摆的数学模型。采用线性二次最优控制算法,分别设计了LQR及LQR-模糊控制器,实现平面多级倒立摆的平衡控制,结论证明了本文设计的LQR控制器有很好的稳定性、鲁棒性和适应性。     

X-Z倒立摆的一种饱和非线性稳定控制方法的研究

X-Z倒立摆不仅具有普通倒立摆的最小相位和欠驱动特性, 同时具有更多的控制自由度.通过一定的状态变换, 发现了X-Z倒立摆与平面垂直起降飞行器模型之间的等价关系. 基于该等价关系,借鉴平面垂直起降飞行器的控制方法, 把饱和非线性控制方法应用于X-Z倒立摆的稳定控制. 通过与PID (Proportion integration differentiation)控制方法的仿真对比,证明了该稳定控制方法的有效性.     

旋转二级倒立摆的控制系统设计与仿真

小车倒立摆系统是一个典型的多变量、非线性、强耦合和快速运动的自然不稳定系统,其控制问题被公认为控制理论的一个典型问题,是控制理论研究的典型实验平台.旋转二级倒立摆是一种新型的倒立摆装置,与同级的直线轨道倒立摆相比,结构简单紧凑,但模型更复杂和不稳定,对控制算法提出更高的要求,增加了控制难度.该文基于动力学理论分析旋转二级倒立摆系统的结构,建立了旋转二级倒立摆系统的数学模型状态空间方程,分析了系统的稳定性和可控性.采用二次型最优控制策略对旋转二级倒立摆系统进行控制系统设计,并借助Matlab平台进行了仿真实验.实验结果证明了其控制有效性,该控制结果与其它控制方法相比,有较优的稳态特性和快速性,系统处在较大的非平衡初始状态,旋转二级摆杆也能稳定地控制在倒立平衡位置附近.因此可以进一步扩展到多级旋转倒立摆的控制,对于实现其它不稳定系统的控制,也有着一定的借鉴价值.     

平行单级双倒立摆系统的建模与滑模变结构控制

从两摆间无弹簧连接的平行双倒立摆系统特定物理结构出发,结合控制目标进行合理建模与分析,验证所建模型可行性,讨论系统能控性和参数间的关系,并设计了滑模变结构控制律.该文的理论和方法对平行单级双倒立摆的进一步研究工作具有重要意义.     

一种双惯性轮空间倒立摆及其动力学建模和分析

针对现有的惯性轮倒立摆在模拟多自由度不稳定系统的局限性,提出了一种双惯性轮空间倒立摆系统,其具有四个自由度和两个控制量,可同时模拟不稳定系统俯仰和滚转姿态控制。运用拉格朗日方法建立了双惯性轮空间倒立摆的动力学模型,分别采用模型退化、数值仿真验证了所建立的模型的正确性,并分析了双惯性轮空间倒立摆的动力学特性。建立的双惯性轮空间倒立摆可应用于多自由度非平稳系统的模拟实验,提出的物理结构、模型和相关分析结论为双惯性轮空间倒立摆系统的进一步研究奠定了理论基础。     

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：     

定性规则的云表示

云模型是定性定量间的不确定转换模型，它将概念的模糊性和随机性集成在一起，利用云模型可以有效地表示基于语言值的定性规则。但已有的文献中，定性规则的云表示多种多样，文章根据各种云的内在联系提出了一维正态云的定性规则的统一表示。     

RULE-BASED STABILIZATION OF THE INVERTED PENDULUM

The inverted pendulum poses serious problems for qualitative modeling methods, so it is a good benchmark to lest their performance. This paper shows how a new data analysis method known as rough set theory can be utilized to swing up and stabilize the pendulum. Our approach to this task consists of deriving control rules from the actions of a human operator stabilizing the pendulum and subsequently using them for automatic control. Rule derivation is based on the "learning from examples" principle and does not require knowledge of a quantitative model of the system.     

基于云模型的BP算法改进

云模型是定性定量间的不确定转换模型 ,它将概念的模糊性和随机性集成在一起。文中提出一种利用云模型来有效避免BP算法陷入局部极小的方法 ,该方法通过基于云模型和输入参数区间划分的学习因子自适应调整算法来实现。该算法在复杂非线性分类 (阴阳图 )情况下进行了计算机仿真     

Big Bang-Big Crunch optimized hierarchical sliding-mode control of X-Z inverted pendulum

The control of the X-Z inverted pendulum is a challenging work since the X-Z inverted pendulum is an underactuated, open-loop unstable and multi-input-multi-output (MIMO) nonlinear system. In this paper, we will present a novel state transformation method for the X-Z inverted pendulum and Big Bang–Big Crunch (BBBC) optimized hierarchical sliding-mode control (HSMC) structure. We will firstly show that through the proposed transformation, the model of the X-Z inverted pendulum can be transformed to a typical underactuated form. Thus, based on the obtained system model, the hierarchical sliding-mode control (HSMC) can be directly applied in the trajectory tracking control of the X-Z inverted pendulum. Then, to ensure a convergent performance of the auxiliary sliding surfaces, the BBBC method is applied to obtain the optimal coupling factors for the HSMC. The control performance of the proposed BBBC based HSMC structure is compared with that of the present SMC and the HSMC with particle swarm optimization (PSO). Simulation results show the effectiveness of the proposed controllers for the X-Z inverted pendulum.     

基于多维云模型的入侵检测

通过研究多维云模型机理，给出了定性与定量之间转换的云模型的形式化表示，用来反映语言值中蕴涵的模糊性和随机性，解释了多条定性规则同时被激活的不确定推理过程。实验采用了KDD99的测试数据，结果表明，该方法能够比较有效地检测真实网络数据中的未知入侵行为。     

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。     

基于定性模糊网络的分层Option 算法

在强化学习的研究中，常用的知识传递方法通过抽取系统最优策略的特征获得知识．由于所获得知识 通常与系统参数有关，因此这些方法难以应用于状态转移概率随系统参数变化的一类任务中．本文提出一种基于定 性模糊网络的分层Option 算法，该算法用定性动作描述系统的次优策略，并用定性模糊网络抽取次优策略的共同特 征获得与参数无关的知识，完成知识传递．倒立摆系统的控制实验结果表明：定性模糊网络能有效地表示各种参数 值不同的倒立摆系统所具有的控制规律，获取与系统参数无关的知识，将常用的知识传递方法从参数无关任务扩展 到参数相关任务中．     

倒立摆系统的T-S模糊控制研究

针对倒立摆的非线性采用T-S模糊控制的方法对倒立摆进行控制,建立了倒立摆的数学模型,并用Matlab进行了仿真,仿真结果表明该控制方法对倒立摆具有好的控制效果。     

二级直线倒立摆系统的实物控制

针对二级直线倒立摆系统,采用拉格朗日方程法建立其理论模型,分别使用线性二次最优控制（Linear Quadratic Regulator,LQR）及基于趋近律的滑模控制（Sliding Mode Control,SMC）算法来实现干扰存在情况下倒立摆的平衡控制。对于LQR算法,研究了矩阵[Q]和矩阵[R]与反馈控制矩阵[K]的定性关系,并经过反复多次实验,不断试凑,得到一组良好的控制参数,实现了倒立摆的稳定控制。SMC算法采用基于指数趋近律的控制方法进行了滑模变结构控制器的设计,并利用边界层法来进一步削弱抖振。最后通过仿真及实验,实现了倒立摆的实物平衡控制。     

单级倒立摆LQR最优控制及其嵌入式系统实现

倒立摆以其非线性特点成为控制理论分析和设计的典型实验设备.针对单级倒立摆系统,建立其数学模型,设计了线性二次型最优控制器,利用Matlab进行了仿真验证.同时,搭建了控制系统的实物实验平台,利用Z-World公司的嵌入式系统实现了该控制算法,并进行了调试,完成了倒立摆的平衡控制.并作了一些干扰实验来验证系统性能.仿真研究和实物实验的结果,表明在嵌入式控制系统中实现的LQR最优控制算法具有很好的控制效果,使倒立摆具有良好的动态性能和稳态性能.