基于最优控制的汽车操纵逆动力学的研究

提出了一种基于最优控制理论的汽车操纵逆动力学研究方法，用于识别不同汽车跟踪同一期望路径的方向盘转角输入。以驾驶员对汽车施加的方向盘转角输入为控制变量，以精确跟踪期望路径为控制目标，将汽车操纵逆动力学问题转化为最优控制问题。利用直接配置方法将最优控制问题转化为非线性规划问题，运用序列二次规划方法求解。仿真结果表明：该方法能够使汽车很好地跟踪所期望的路径，且可以比较跟踪同一路径的不同汽车的操纵性能。     

汽车方向盘角输入识别的研究

以汽车方向盘角输入的识别作为汽车操纵逆动力学研究的出发点,通过驾驶员-汽车二自由度闭环系统的仿真以及超车试验,利用径向基函数网络建立了汽车横摆角速度及侧向加速度响应与方向盘角输入之间的映射关系。利用汽车横摆角速度及侧向加速度响应进行方向盘角输入识别的结果表明,这种识别方法是可行的,并且具有识别精度高、运算速度快及抗干扰能力强等优点。     

机械臂神经网络控制优化与仿真

为了提高机械臂末端连杆运动轨迹控制的稳定性,在径向基函数(RBF)神经网络控制器的基础上,采用混合算法优化RBF神经网络控制器.用两个径向基神经网络单元作为自适应控制器,其中一个作为输入端的控制器,另一个作为机械臂的辨识器.将混合算法优化应用到这两个神经网络单元中,以改善网络结构参数对神经网络控制和辨识性能的影响,在Matlab环境下进行了仿真实验,并与RBF神经网络控制器跟踪效果进行对比.仿真结果显示:在受到不确定因素干扰时,机械臂末端连杆采用改进RBF神经网络控制器产生的误差较小,系统反应速度较快,转矩波动较小.机械臂末端连杆采用改进RBF神经网络控制器,具有抗干扰的能力,快速保持系统输出的稳定性.     

基于汽车操纵逆问题的蛇行试验分析研究

在驾驶员-汽车二自由度闭环系统模型基础上,进行汽车蛇行试验仿真,通过驾驶员熟练程度参数的差异,模拟不同驾驶员驾驶同一辆车的情况,从而利用径向基网络,建立闭环系统汽车横摆角速度、侧向加速度与方向盘转角之间的映射关系。通过所建立的径向基网络,由横摆角速度、侧向加速度响应来识别汽车的方向盘转角,结果表明了该方法的可行性,并且具有运算速度快,识别精度高以及抗干扰能力比较强的优点。     

基于RBF神经网络的人体运动跟踪与姿态预测

本文采用径向基函数神经网络进行人体运动跟踪与人体姿态预测，利用采集的运动数据对本文提出的运动跟踪与姿态预测方法进行性能评估，给出部分测试和比较实验结果，实验结果表明，基于径向基函数神经网络的人体运动跟踪与人体姿态预测方法是可行的。     

人—车闭环操纵性评价与优化的研究进展

汽车的操纵稳定性与驾驶员的特性密切相关,研究汽车的操纵稳定性应该把车辆放在人-车闭环系统中进行分析。以作者及其带领的课题组的研究成果为基础,系统介绍了国内外在人-车闭环领域的研究进展,包括驾驶模拟器、驾驶员模型、人-车闭环操纵性的评价体系以及利用人-车闭环评价体系对车辆参数进行优化设计。     

多连杆机械臂GA-RBF神经网络轨迹跟踪控制

针对多连杆机械臂模型系统信息不完整、存在外界干扰等问题,设计了一种新型的GA-RBF神经网络闭环自适应控制系统。该系统利用径向基函数(RBF)神经网络来逼近并补偿系统的模型误差和外界扰动,在基于计算力矩法的基础上实现对机械臂的轨迹跟踪控制,并采用遗传算法(GA)对RBF神经网络权值进行在线优化,确保机械臂控制系统能在更短时间内获得稳定,实现了高精度的轨迹跟踪,提高了轨迹跟踪的性能。MATLAB数值仿真的结果验证了该方法的有效性。     

角输入模型下汽车运动稳定性分析

在建立的汽车开环系统和驾驶员 -汽车闭环系统角输入模型的基础上 ,研究了汽车的运动稳定性 ,定量地揭示和比较了汽车开环系统和驾驶员 -汽车闭环系统运动稳定性的内在规律性和相互关系。实例表明 ,利用系统的运动稳定性分析方法 ,可以指导汽车设计 ,从而改善汽车的操纵稳定性能     

遗传算法在汽车操纵稳定性评价及结构参数优化中的应用

遗传算法是一种全局优化算法。这里以使时域内的人—车—路闭环系统操纵稳定性综合评价指标达到最小为目标；使用遗传算法对评价参数和汽车结构参数进行优化。并使用这些最优参数，以4自由度汽车模型作为仿真模型在单移线条件下对某型小轿车进行仿真研究。仿真研究结果表明：优化参数使得人—车闭环系统跟随预期路径的精度提高约51.7%；而使综合评价指标下降约36.6%。     

基于径向基函数神经网络的白车身减重优化研究

针对白车身变量多、性能响应复杂问题,在车身结构的板厚优化设计中引入近似模型方法,提高设计效率。以某轿车车身结构为轻量化设计对象,通过灵敏度分析确定优化设计变量,基于径向基函数神经网络近似模型进行全局优化,在不降低刚度和模态性能的情况下实现白车身减重目标。通过最优拉丁超立方试验设计构造样本点,用径向基函数神经网络法构造刚度和模态的近似模型,并用自适应模拟退火法进行优化求解。结果表明,径向基函数神经网络模型能较好地模拟车身结构刚度和模态响应问题,提高了整体的设计效率。通过有限元模型的验证,基于近似模型的优化结果精度较高,实例白车身减重达5.73%。     

Decentralized adaptive neural prescribed performance control for high-order stochastic switched nonlinear interconnected systems with unknown system dynamics

In this paper, the problem of decentralized adaptive neural backstepping control is investigated for high-order stochastic nonlinear systems with unknown interconnected nonlinearity and prescribed performance under arbitrary switchings. For the control of high-order nonlinear interconnected systems, it is assumed that unknown system dynamics and arbitrary switching signals are unknown. First, by utilizing the prescribed performance control (PPC), the prescribed tracking control performance can be ensured, while the requirement for the initial error is removed. Second, at each recursive step, only one adaptive parameter is constructed to overcome the over-parameterization, and RBF neural networks are employed to tackle the difficulties caused by completely unknown system dynamics. At last, based on the common Lyapunov stability method, the decentralized adaptive neural control method is proposed, which decreases the number of learning parameters. It is shown that the designed common controller can ensure that all the signals in the closed-loop system are semi-globally uniformly ultimately bounded (SGUUB), and the prescribed tracking control performance is guaranteed under arbitrary switchings. The simulation results are presented to further illustrate the effectiveness of the proposed control scheme.     

具有随机道路输入的驾驶员-汽车闭环系统的操纵安全性评价

进行了具有平稳随机道路输入的驾驶员－汽车闭环系统的响应分析与操作安全性评价,该算法不仅为精确算法,而且可以缩短评价周期,并且减少实车试验带来的巨大经济负担。在此基础上,研究了学变随机道路输入的驾驶员－汽车闭环系统的响应分析与操纵安全性评价,该项研究涉及汽车速度随时间慢变的情况,因此能够更好地评价汽车真实的行驶过程。     

人-车-路闭环系统操纵稳定性的模糊评价及其仿真

在人-车-路闭环操纵稳定性评价指标中引入内含“人的思维模糊性”的数量化方法。首先引入主观因素——驾驶员对有效视程的模糊认识,随后进行客观的分析与推理,最后给出了由于驾驶员对视距的模糊估计而导致的对操纵稳定性评价的分布区间及评价指标可能性分布的显表达式。在理论分析的基础上,进行了仿真与优化试验分析,仿真与优化试验的结果表明,对有效视程“较大”的置信度大时,侧向位移响应的模糊分布区间上下确界明显,且上下确界对预期轨迹的跟随性都较好。当置信度小时,侧向位移响应的模糊分布区间上下确界存在交叉点,上界,即有效视程“大”,对预期轨迹的跟随性好,下界,即有效视程“小”,对预期轨迹的跟随性差。解决了由于驾驶员对有效视程认识上的个体差异而导致的对同一辆车操纵性主客观评价分散性的数学描述问题。     

RBF神经网络用于家用空调系统匹配特性的研究

RBF神经网络是目前应用较多的一种神经网络。它能以任意精度逼近任意非线性函数,具有良好的逼近性能,并且结构简单,是一种性能优良的神经网络。因此,将RBF神经网络应用于家用空调匹配仿真研究时具有独特的优势。提出采用RBF神经网络估算制冷量和压力来优化研发过程,仿真结果表明,RBF神经网络运用于家用空调匹配仿真,能够精确仿真空调制冷量和低压力等参数,并预测制冷量和压力,能有效地减少家用空调匹配时间,提高研究效率。     

RBF神经网络在大学生素质综合测评中的应用

为了反映大学生素质综合评价过程中的非线性关系,合理地对大学生进行综合测评,提出了基于径向基函数（RBF）神经网络的大学生综合测评方法,并将其应用于南京农业大学工学院学生的综合测评中,取得了较好的效果。研究证明了基于RBF网络的大学生综合测评方法的实用性和有效性。     

基于小波包分解和RBF神经网络的民机液压泵源故障诊断研究

液压泵源是民机液压系统的动力部分,对于民航飞机飞行的安全起着重要的作用。由于民机液压泵结构复杂,故障机理繁多,因此其故障诊断难以用常规方法实现。提出了基于小波包分解和RBF神经网络的民机液压泵源故障诊断方法。采集民机液压泵轴向和径向的振动信号,利用小波包分解将振动信号进行分解,得到的各频带信号的能量作为神经网络的输入。经过RBF神经网络的计算以实现民机液压泵源的故障诊断。     

具有状态约束的机械臂切换自适应控制

为了解决具有状态约束的机械臂的控制问题,本文针对一类具有全状态约束和状态不完全可测的切换严格反馈非线性系统进行研究,通过引入状态观测器、自适应神经网络和动态表面控制技术,设计了一种基于径向基函数(RBF)神经网络的自适应输出反馈控制方法。利用Lyapunov方法和平均驻留时间理论(ADT)保证了闭环系统所有信号是半全局一致最终有界的(SGUUB),通过数值例子仿真验证了所提方法的有效性。最后将该方法应用于带电机驱动的机械臂并进行仿真实验,仿真结果表明,机械臂轨迹跟踪误差很小,有着良好的控制精度,同时也表明所提出的控制算法能够应用于实际工程模型。     

挖掘机器人伺服系统神经网络滑模控制

挖掘机器人伺服系统存在高度非线性、参数不确定和未建模动态等诸多不利因素,提出了一种结合径向基函数(RBF)神经网络的非线性滑模控制器,以提高控制精度和鲁棒性。首先,建立了单联伺服系统的数学模型;其次,采用RBF神经网络对系统的不利因素进行逼近,提出积分滑模面进一步减小稳态误差,同时减少对伺服系统参数的依赖,在此基础上,设计了基于RBF神经网络的滑模控制器(SMC-RBF),利用Lyapunov理论证明了系统的渐近稳定性;最后,通过不同的参考信号和整平实验验证了控制器的优越性。仿真结果表明,SMC-RBF控制器响应快,跟踪精度高且鲁棒性强,与PID控制器相比正弦轨迹跟踪精度提高了46%。整平实验结果表明,铲斗末端轨迹跟踪精度提高了52%。     

无轴承永磁同步电机的神经网络逆控制

无轴承永磁同步电机是一个强耦合的非线性复杂系统,实现无轴承永磁同步电机的线性化解耦控制,是无轴承永磁同步电机稳定运行和走向实用化的关键。将神经网络具有的特点（对非线性系统的逼近能力以及对系统参数变化的适应能力）与逆系统方法的特点（解耦线性化）相结合,提出了基于神经网络的无轴承永磁同步电机逆系统解耦控制方法。通过用静态神经网络加积分器来构造无轴承永磁同步电机的逆系统,将无轴承永磁同步电机动态解耦成位移子系统和转速子系统分别设计调节器进行控制,然后运用线性系统理论进行综合。仿真及实验结果表明,系统具有良好的鲁棒性和动静态解耦性能。

