基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

基于Takagi-Sugeno模糊神经网络的欠驱动无人艇直线航迹跟踪控制

研究一类欠驱动无人艇的直线航迹跟踪控制问题,提出了一种自适应T-S(Takagi-Sugeno)模糊神经网络控制方法。首先在神经网络体系结构中设计前件网络匹配T-S模糊控制器的模糊规则前件,设计后件网络进行T-S模糊运算推理从而生成模糊规则后件;其次基于梯度下降法原理,设计了T-S模糊规则参数的优化学习算法;然后结合BP神经网络的误差反向传播原理和梯度下降法,设计了模糊神经网络体系误差的反向传播迭代算法,用于高斯隶属度函数参数的学习优化;最后设计了基于T-S模型的模糊神经网络控制器,并通过仿真实验验证了所提出方法和所设计控制器的有效性。     

一种肌电假手的自适应模糊控制方法

针对肌电假手的力控制问题,提出了一种基于肌电信号自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制.设计的肌电信号自适应学习动作识别方法在时域内进行,减小运算复杂度和计算量的同时保证了动作识别精度.采用模糊神经网络PID算法设计了假手握力控制器,在没有位置传感器的情况下保证了假手握力的控制精度.进行了肌电信号动作识别跟踪实验、假手握力跟踪实验、肌电信号控制假手抓取实验,实验结果证明了肌电信号自适应学习动作识别方法和模糊神经网络PID握力控制方法在肌电假手控制中的有效性.     

静变电源的优化模糊神经网络PID控制研究

为提高静变电源输出电压的质量,采用了优化模糊神经网络PID控制器代替模糊PID控制,所采用的优化模糊神经网络充分融合了模糊逻辑和神经网络两者的优点,使推理速度加快,并通过在系统运行时神经网络不断地增加和完善模糊控制规则,单神经元通过自学习调整控制因子,提高了系统控制的精度.将该方法和PID稳态控制性能的优势相结合,实时地对系统控制量进行调整.在MATLAB/SIMULINK环境下,对于优化模糊神经网路PID和模糊PID在静变电源控制中的应用分别进行了仿真.仿真分析结果表明,经过BP神经网络和单神经元网络学习后,控制器具有良好的控制性能和自适应能力,很好地满足了系统的鲁棒性、快速性的要求.     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.     

基于模糊小波神经网络的加工过程自适应控制

为了克服模糊控制动态响应慢和鲁棒性差的缺点,将模糊控制的定性知识表达能力与小波分析优异的局部控制性能和神经网络的定量学习能力相结合,提出了一种模糊小波神经网络自适应控制器,并将其应用于加工过程控制。对变切削深度的铣削加工过程控制的仿真结果表明,基于模糊小波神经网络的加工过程自适应控制,其控制效果优于一般的模糊控制和神经网络控制,具有很好的动、静态性能。该自适应控制器能有效防止刀具损坏和提高加工效率,是一种有效的加工过程控制方法。     

基于MATLAB的磁流变液制动器的模糊控制建模研究

确定了磁流变液制动器的控制方法,选定了磁流变液制动器模糊控制器的生成方法,采用MAT-LAB模糊逻辑工具箱的自适应神经网络模糊系统ANFIS对磁流变液制动器的模糊器进行建模。通过对大量已知实验数据的学习得到相应的模糊规则,有效地计算出隶属度函数的最佳参数,并通过仿真实验得出基于自适应神经网络模糊推理系统获得的模糊控制器可以实现磁流变液制动器的智能控制,控制效果良好,为磁流变液制动器的智能化控制提供依据。     

基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

一种弧焊机器人轨迹跟踪控制方法的研究

针对弧焊机器人动态特性中的非线性和不确定因素,对机器人的轨迹跟踪控制问题进行了研究。为提高跟踪精度和控制性能,提出一种基于高斯基模糊神经网络的轨迹跟踪控制方法。该方法以高斯基作为隶属函数,结合神经网络和模糊算法,设计了高斯基模糊神经网络控制器。采用非线性规划中的最速下降法对模糊神经网络进行自学习,能够在线调节隶属度函数的中心以及关节耦合权值,使得控制器具有更好的自学习与自适应能力。数值仿真结果表明该控制方法能高效地控制机器人的轨迹跟踪。     

电液伺服系统的模糊神经网络并行自学习鲁棒控制

基于模糊神经网络结构，提出了一种复合式控制方案，解决了传统自适应控制中模型的在线辨识和控制器的在线设计问题。达到了对不确定非线性系统的高精度输出跟踪；通过引入运行监控器，解决了模糊神经网络实时性差的问题；同时，利用一个鲁棒反馈控制器，来保证模糊神经网络学习初期闭环系统的稳定性。应用到电液力伺服加载系统中，获得满意控制效果。