液压伺服关节自适应模糊神经网络控制补偿方法

三自由度液压伺服关节在实现位置跟踪时存在跟踪误差,原因在于液压伺服关节是一个具有饱和、结构死区和强耦合的动力学系统.为了解决这一问题,建立了该关节的动力学模型.通过比较几种控制方法在该关节位置跟踪问题上存在的不足,提出了一种自适应模糊神经网络控制补偿方法.该方法采用样本训练自学习,自适应调整变增益系数.该方法不但消除了饱和、结构死区和强耦合引起的位置跟踪误差,而且解决了控制向量在大范围内变化实现准确位置跟踪.最后,通过仿真试验验证了该动力学系统是稳定的,提出的方法是可行的.     

基于神经网络模糊PID的足球机器人控制算法研究

通过对足球机器人运动学模型进行分析,以足球机器人系统为实验平台,论证了神经网络模糊PID控制技术应用于足球机器人运动控制的可行性。将传统的PID控制与神经网络模糊控制相结合,通过PID算法实现控制的准确性,利用神经网络模糊控制提高控制的快速性与自适应性。针对足球机器人运动控制中的实际问题,着重提出了基于神经网络和模糊控制相结合动态调整PID控制器的三个参数KP,KI,KD的设计方法。实验证明该方法增强了控制器的调节能力和简化了控制器设计,同时本方法对模型和环境具有较好的适应能力和较强的鲁棒性。     

基于模糊RBF神经网络控制器的锅炉汽包水位控制的实现

锅炉是典型的复杂热工系统。对蒸汽锅炉而言，维持汽包水位在一定的范围内是保证锅炉安全运行的首要条件。本文介绍了一种锅炉汽包水位控制器，采用基干模糊RBF神经网络整定的PID控制方法。通过对阶跃输入信号作用下系统动态性能的仿真分析，表明该控制器具有较好的适应性，控制效果得到明显改善。     

基于补偿模糊神经网络的制冷系统故障诊断研究

选择反映制冷系统故障状态的热力参数集组成特征向量,并对其进行模糊化处理,利用补偿模糊神经网络建立故障状态与热力参数特征向量之间的映射关系.将神经网络和补偿模糊逻辑相结合, 采用动态、全局优化的运算, 充分利用了相互间的优点.网络不仅能适当调整输入输出模糊隶属函数, 也能借助于补偿逻辑算法动态优化相应的模糊推理.仿真实验证明该模型在智能诊断中具有收敛速度快, 诊断精度高, 而且适应性强等优点.     

模糊逻辑控制器的模糊神经网络实现

模糊逻辑是人脑思维活动的基本方式，而神经网络则是模仿人脑神经系统功能而设计的一类巨型非线性网络。所以将模糊逻辑与神经网络相结合具有很大的前途。本文利用模糊神经元突破了没有计算机就不能实现模糊控制的传统观点，给出了一种不用计算机就能实现的模糊神经网络控制器，对模糊控制的硬件实现起到积极的作用。     

基于补偿模糊神经网络的洗衣机仿真研究

本文介绍了基于模糊逻辑和神经网络的补偿神经网络(CFNN)及其学习算法,利用CFNN学习速度快、学习过程稳定、全局动态优化运算等特点使洗衣机能够更加准确的判断衣物的软硬程度、衣量多少、脏污程度和性质等,自动生成模糊控制规则和隶属度函数,预先设定洗衣机水位、水流强度和洗涤时间,在整个洗衣过程中实时调整这些参数,达到最佳的洗衣效果。     

不确定性机器人的神经网络补偿控制

本文研究具有不确定性的机器人的轨迹跟踪控制问题。提出了一种由计算力矩控制器和神经网络补偿控制器构成的控制方案。探讨了一种用神经网络估计机器人系统不确定性的途径。给出了神经补偿控制器的设计方法，并证明了闭环系统的收敛性。仿真结构表明所提方案具有很好的鲁棒性和抗干扰能力。     

基于补偿模糊神经网络的系统建模

本文介绍了补偿模糊神经网络原理 ,并利用它对非线性系统进行建模。通过MATLAB语言编制程序进行仿真试验 ,结果表明补偿模糊神经网络对于复杂系统的建模效果非常好。     

基于补偿模糊神经网络的图像压缩编码

本文提出一种补偿模糊理论和神经网络的混合系统，并将其应用于图像压缩。混合系统引入了模糊神经元，使网络既能适当调整输入、输出模糊隶属函数，又能借助于补偿逻辑算法动态地优化模糊推理，大大提高了网络的容错性、稳定性和训练速度。     

基于神经网络前馈补偿的欠驱动机器人越障控制

针对欠驱动巡检机器人相对于传统机器人控制量少于控制对象的特点,依靠Lagrange定理建立机器人系统动力学模型和电缆弯曲数学模型.根据障碍物外形特点给出障碍物特征量的提取方法;根据障碍物较大,常规的运动控制输出量不宜变化过大的特点,以及机器人越障过程中要保持机体平衡,依据动力学模型提出了基于神经网络补偿的前馈-反馈控制器,以实现对系统姿态控制和越障控制.控制器具有自学习、自动补偿的能力,对非线性对象有较好的控制作用.仿真结果表明,该方法相对于常规PID控制、普通模糊控制具有超前调节、超调量小、抗扰动能力强的特点.通过实验,验证了基于神经网络补偿的前馈-反馈控制器的合理性.     

移动机器人编队的递归模糊神经网络滑模控制

研究非完整移动机器人编队控制优化问题,由于动态模型存在诸多不稳定性,针对领航者-跟随者l-ψ控制结构,提出了一种Back stepping运动学控制器与自适应神经滑模控制器相结合的新型控制策略.采用动态递归模糊神经网络(dynam-ic recurrent fuzzy neural network,DRFNN)对跟随者及领航者动力学非线性不确定部分进行在线估计,并通过自适应鲁棒控制器对神经网络建模误差进行补偿.所提方法不但解决了移动机器人编队控制的参数与非参数不确定性问题,同时也确保了机器人编队在期望队形下对指定轨迹的跟踪;根据Lyapunov方法的设计过程,保证了控制系统的稳定;仿真结果表明了改进方法对机器人编队优化控制的有效性.     

基于模糊神经网络的淬火炉温度控制

本文建立了淬火炉的模糊神经网络智能温度控制系统,用遗传算法和BP算法结合,自动调节模糊神经网络各层的权值,改变隶属函数的参数和推理规则数,实现对隶属函数和推理规则的优化。实验结果表明,温度上升段,超调量小于4℃,保温阶段,温度控制在保温温度的±2℃内,满足淬火炉对升温速度和恒温过程的精度要求。     

一种稳定的机器人神经网络控制器研究

研究一种稳定的机器人神经网络（ＮＮ）控制器，提出了由神经网络控制器和监督控制器构成的控制方案，给出了控制器的设计方法及ＮＮ学习自适应律，并基于Ｌｙａｐｕｎｏｖ方法证明了控制系统的稳定性和ＮＮ参数收敛性，仿真结果表明该控制方案具有良好的鲁棒性和参数收敛性，从而证明控制器的有效性。     

基于FNN的轮式机器人路径跟踪研究

针对目前轮式机器人在路径跟踪时容易出现的偏离期望路径甚至打滑、侧翻失去控制等问题,对轮式机器人结构及其路径跟踪特点进行了分析,构建了轮式机器人运动学模型,设计了一种基于模糊神经网络(FNN)的行进路线和行驶速度分级控制的路径跟踪方法.第一级中模糊神经网络利用机器人位姿信息确定行进路线即转弯半径,第二级根据前方路径情况和转弯半径调节机器人行驶的角速度和线速度.仿真实验表明,所设计的模糊神经网络能够对所期望的路径进行快速准确地拟合,且鲁棒性强;轮式机器人路径跟踪过程稳定,不会出现失控现象.     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

航空发动机模糊神经网络控制研究

航空发动机是一个结构复杂、非线性强的多变量控制对象。随着航空发动机全权限数字式电子控制器的研制和应用,控制变量也随着发动机性能要求的不断提高而越来越多,发动机智能控制技术的应用式必然的趋势。本文将智能控制引入到航空发动机多变量控制中,将模糊控制和神经网络相结合,设计出了航空发动机模糊神经网络控制器。并以某型涡扇发动机为被控对象,进行了数字仿真研究,检验了该方法的适应性。     

基于神经PID并行控制的发电机调速系统研究

针对柴油机非线性特性明显,在建模中采用传统的PID控制效果较差的问题,提出了基于神经网络和PID并行控制算法;首先,根据神经网络函数逼近的不同类型,设计出基于BP-PID与CMAC-PID两类神经PID并行控制方法;然后,对柴油机启动和船舶电力系统典型试验作了仿真分析,结果表明神经PID船舶发电机组调速系统并行控制是可行的,CMAC-PID控制的柴油发电机组比常规PID控制和BP-PID控制的稳定时间短,具有良好的动态特性,较适合实时性高的场合.     

A Neural Network Adaptive Controller for End-effector Tracking of Redundant Robot Manipulators

In this paper we propose a neural network adaptive controller to achieve end-effector tracking of redundant robot manipulators. The controller is designed in Cartesian space to overcome the problem of motion planning which is closely related to the inverse kinematics problem. The unknown model of the system is approximated by a decomposed structure neural network. Each neural network approximates a separate element of the dynamical model. These approximations are used to derive an adaptive stable control law. The parameter adaptation algorithm is derived from the stability study of the closed loop system using Lyapunov approach with intrinsic properties of robot manipulators. Two control strategies are considered. First, the aim of the controller is to achieve good tracking of the end-effector regardless the robot configurations. Second, the controller is improved using augmented space strategy to ensure minimum displacements of the joint positions of the robot. Simulation examples are also presented to verify the effectiveness of the proposed approach.     

基于神经网络的新型复合速度控制器的设计

针对传统PID控制和神经网络直接逆动态控制各自的特点,提出了将两者相结合构造一种新型复合神经网络速度控制器的方法：基于感应电机间接磁场定向矢量控制系统．对该复合速度控制器进行仿真研究。仿真结果表明,在电机参数变化和负载扰动的情况下,该控制器的应用使感应电机间接磁场定向矢量控制系统具有很好的鲁棒性和抗扰性能：