机器人模糊迭代学习控制及其仿真研究

在机器人的轨迹跟踪的迭代学习控制中，迭代学习的学习律难以选择，本文结合自校正控制、模糊逻辑和迭代学习控制的基本思想，提出采用自适应模糊控制确定学习效率的方法，并采用Matlab软件的Simulink对该方法应用于机器人高精度的轨迹跟踪控制的情况进行了仿真研究，结果表明该方法具有学习控制律简单实用、跟踪精度高、学习速度快、鲁棒性强等优点。     

自适应模糊辨识及其在大系统中的应用*

本文基于Ｔ－Ｓ模糊模型构造了一种新的自适应模糊神经网络，给出了网络诉连接结构物学习算法，它能自动学习和修正前件参数及模糊规则，将其用于大系统随机民递阶优化的控制建模中，仿真结果表明，该方法具有收敛速度快，辨识精度高、泛化能力强等特点，可当作复杂大系统建模的一种有效手段。     

基于强化学习的模型参考自适应控制

提出了一种基于强化学习的模型参考自适应控制方法,控制器采用自适应启发评价算法,它由两部分组成:自适应评价单元及联想搜索单元.由参考模型给出系统的性能指标,利用系统反馈的强化信号在线更新控制器的参数.仿真结果表明:基于强化学习的模型参考自适应控制方法可以实现对一类复杂的非线性系统的稳定控制和鲁棒控制,该控制方法不仅响应速度快,而且具有较高的学习速率,实时性较强.     

伺服系统的高斯基函数CMAC学习控制研究

在高精度伺服系统中，由于摩擦力及负载扰动等因素的影响，常规PID控制难以满足越来越高的控制精度、跟踪性能等指标要求。本文提出了基于商新基函数CMAS在线学习的控制方案，并给出了相应的学习算法。仿真结果表明．该方法不仅有较好的控制精度，而且具有学习速度快等优点。     

遗传小脑神经网络在液位控制中的应用

针对非线性液位控制问题，提出了一种采用遗传小脑模型神经网络（CMAC）的学习控制方法；该控制器采用遗传算法作为CMAC神经网络的学习算法，给出了具体的控制结构和算法；仿真结果表明，该控制器具有良好的处理非线性以及跟踪连续变化信号的能力，并对时变外负载干扰具有明显的抑制作用，而且新型控制器能使用较高的学习速率，学习速度快，适于在线学习控制。     

热计量与温湿度调节装置中最佳温湿度匹配库的建立

利用CMAC神经网络算法简单、学习速度快、易于软件实现的特点，在智能型热量计量与温湿度调节一体化装置中实现了最佳温湿度匹配库的建立；对用户的温湿度匹配值进行学习、联想记忆，满足了不同人的舒适性的要求；在基函数为1的情况下，可大大简化编程；运行结果表明，该方法学习速度快、精度高，在以人为本的人居环境控制中具有广阔的应用前景。     

FCMAC的FPGA实现分析及其控制应用

提出了FCMAC（Fuzzy CMAC）的一种基于FPGA的硬件实现方法，与其他FPGA实现神经网络相比，它包含了可以用于在线学习的权学习算法。首先分析了FCMAC的模型结构及相应的硬件模块，然后基于VHDL语言实现了各模块的功能描述，最后将FPGA实现的FCMAC用于控制应用，并对控制器进行测试。实验结果表明，FCMAC的实现方案是可行的，控制器运算速度快、精度高，且具有较强的抗干扰性，是实现IP控制模块或单片智能控制的一种新的有效途径。     

基于快速学习型神经网络的机器人运动学模型辨识及运动控制

该文提出一种快速学习型神经网络，它不仅符合生物神经网络的基本特征，而且算法简单，学习收敛速度快，有线性，非线性系统辨识精度高优异特点。因此，此类神经网络非常适合于机器人运动学模型辨识及运动控制，仿真结果表明，基于快速学习型神经网络进行机械手运动学模型辨识有运动控制是合适的。     

模糊学习控制在SCARA机器人轨迹跟踪中的应用

模糊学习控制以模糊控制提供反馈机制为主体,辅以迭代学习控制提供前馈补偿机制,来实现对期望轨迹的完全跟踪.把模糊学习控制应用于SCARA机器人的轨迹跟踪.仿真试验表明,该方法具有简单实用、跟踪精度高、学习速度快等优点.     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。