模糊CMAC及其在交流伺服控制中的应用

详细地阐述了小脑模型关节控制器 (CMAC)的工作原理 ,将模糊理论引入CMAC ,提出了一种模糊小脑关节控制器 (FCMAC) ,反映了人脑认知的模糊性和连续性 ,并将所提FCMAC用于交流伺服系统的控制。仿真实验结果表明 ,所提FCMAC控制方法与CMAC相比 ,性能有了很大的改善。     

基于模糊神经网络的导弹直接力/气动力复合控制系统设计

为了提高导弹的机动性、敏捷性和导引精度,新型导弹大多采用直接力/气动力复合控制方案。由于神经网络对于系统非线性变化具有较强的适应能力,因而在解决直接力/气动力复合控制中的时变非线性问题时有较明显的优点。在建立导弹非线性模型的基础上,采用模糊小脑模型神经网络(FCMAC)与动态逆相结合的方法设计导弹控制器,该方法结构简单,收敛速度快,易于硬件实现。数字仿真结果表明该方法对导弹系统参数的非线性变化具有很强的适应性。     

FCMAC在蒸汽发生器水位控制中的仿真研究

蒸汽发生器是一个高度复杂的非线性时变系统,在其工况变化时具有逆动力学效应,使得蒸汽发生器的水位控制变得复杂.而其工作性能直接影响反应堆的安全运行.采用传统PID控制方案难以达到控制要求.针对蒸汽发生器的水位控制提出一种基于模糊小脑模型连接控制(FCMAC)与PID联合的控制方案.方案中,将传统的CMAC神经网络和模糊控制原理相结合,形成的FCMAC神经网络实现前馈控制,实现被控对象的逆动态模型;PID实现反馈控制,保证系统稳定性,且抑制扰动.仿真结果表明,该方案具有响应快,超调量小,较强抑制干扰能力等良好性能.     

基于模糊小脑模型神经网络的直线伺服跟踪控制研究

在高精度直线伺服跟踪控制系统中,为使输出响应快速地跟踪输入指令,需要克服系统滞后、未建模动态、不确定性以及负载变化的影响,文中提出了一种模糊小脑模型神经网络(FCMAC)直接逆控制的方案,可动态地克服这些影响.文中给出了较详细的原理分析及实现过程.仿真结果表明,该方法能够明显提高直线伺服系统的快速跟踪能力,并使系统具有较强的适应性和鲁棒性.     

A genetic algorithm based robust learning credit assignment cerebellar model articulation controller

In this paper, a novel approach of genetic algorithm based robust learning credit assignment cerebellar model articulation controller (GCA-CMAC) is proposed. The cerebellar model articulation controller (CMAC) is a neurological model, which has an attractive property of learning speed. However, the distributions of errors into the addressed hypercubes of CMAC are not proportional to their credibility and may cause unacceptable learning performance. The credit assignment CMAC (CA-CMAC) can solve this problem by using the creditability of hypercubes that the calculated errors are assigned proportional to the inverse of learning times. Afterward, the obtained learning times can be optimized by genetic algorithm (GA) to increase its accuracy. In this paper, the proposed algorithm is to combine credit assignment ideas and GA to provide accurate learning for CMAC. Moreover, we embed the robust learning approach into the GCA-CMAC and dynamically adjust the learning constant for training data with noise or outliers. From simulation results, it shows that the proposed algorithm outperforms other CMACs.     

基于模糊小脑模型神经网络的直线伺服跟踪控制

以永磁直线同步电机为被控对象，在高精度直线伺服跟踪控制系统中，为使输出响应快速地跟踪输入指令，需要克服系统滞后、未建模动态、不确定性以及负载的变化因素等的影响.为此，提出了一种模糊小脑模型(FCMAC)神经网络直接逆控制的方案，可动态地克服上述这些因素的影响.同时，还给出了较详细的原理分析及实现过程.仿真结果表明，此控制方案是十分有效的，能够明显地提高伺服系统的快速跟踪能力，并使系统具有较强的适应性和鲁棒性.     

半主动悬架的试验和模糊神经网络控制

本文建立了,四分之一半主动悬架的数学模型。,根据系统参数时变的特点,将模糊逻辑控制方法和小脑模型神经网络结合形成了一种新的智能控制策略：模糊小脑模型神经网络(FCMAC),给出RFCMAc的算法,并利用FCMAC对系统进行在线控制,试验结果表明：在正弦和随机两种信号激励下,利用FCMAC控制策略可使半主动悬架簧载质量垂直加速度均方根值分别下降26．19％和24．96％。文章最后指出了该控制策略需要进一步解决的问题。     

一种基于FCMAC神经网络的优化方法

提出了一种利用FCMAC(Fuzzy Cerebellar Model Articulation Controller)神经网络进行优化的方法。该方法由学习过程和优化过程两部分组成。对于许多没有模型可参考的实际过程，使用该方法只需要传感器的观测信息就能进行优化。仿真结果证明了该方法的有效性与优越性，进而提出了在实际应用中进行优化的一种方案。     

Implementation of a Variable D-H Parameter Model for Robot Calibration Using an FCMAC Learning Algorithm

Current robot calibration schemes usually employ calibration models with constant error parameters. Consequently,they are inevitably subject to a certain degree of locality, i.e., the calibrated error parameters (CEPs) will produce the desiredaccuracy only in certain regions of the robot workspace. To deal with the locality phenomenon, CEPs that vary in differentregions of the robot workspace may be more appropriate. Hence, we propose a variable D-H (Denavit and Hartenberg)parameter model to formulate variations of CEPs. An FCMAC (Fuzzy Cerebellar Model Articulation Controller) learningalgorithm is used to implement the proposed variable D-H parameter model. Simulations and experiments that verify theeffectiveness of the proposed calibration scheme based on the variable D-H parameter model are described.     

模糊小脑神经网络在互感器误差补偿中的应用

经分析互感器的比差、角差对电网功率测量的影响,研究了单入双出结构的模糊小脑神经网络(FCMAC)进行互感器误差补偿的原理,设计了以单片机为核心的互感器误差智能补偿器,给出了根据补偿器输出计算电网功率的方法。