基于组合神经网络的智能足球机器人系统角色分配知识库的设计

针对当前角色分配实时决策效率不高,难以学习以往角色分配优秀策略等问题,本文提出构建基于组合神经网络的角色分配知识库模型。所构建的知识库由多个组合神经网络模型组成并采用模块化管理,具有可更新性和可扩展性。利用神经网络的自组织和学习能力,该知识库可学习角色分配经验策略,用于实时角色分配方案推理。最后,以RoboCup中型组比赛为例,验证构建组合神经网络知识库的可行性及知识库的在线决策能力。     

漂浮基空间机器人的径向基神经网络鲁棒自适应控制

针对一类同时具有参数及非参数不确定性的自由漂浮空间机器人系统的轨迹跟踪问题,采用了一种RBF神经网络的自适应鲁棒补偿控制策略.对于系统的参数不确定性,通过对径向基神经网络来自适应学习并补偿,逼近误差通过滑模控制器消除,神经网络权重的自适应修正规则基于Lyapunov函数方法得到;而非参数不确定通过鲁棒控制器来实时自适应...     

基于神经网络的机器人运动模型辨识及其实验研究

针对机器人楚模中不确定因素的影响，采用神经网络辨识机器人输入输出间的非线性关系，建立机器人的运动学模型，为了提高神经网络的辨识速度，基于Elman动态递归网络，通过增加网络输入输出的部分信息，提出一种新的动态神经网络结构——状态廷迟输入动态递归神经网络(SDIDRNN)，提高了网络的学习速度和稳态精度。以PowerCube^TM模块化机器人为研究对象，把根据机器人返回的关节位置信息和利用OPTOTRAK3020三维运动测量系统测得的机器人末端位置信患作为SDIDRNN的学习样本，对包含各种影响因素的机器人运动模型进行辨识，得到了满意的结果，说明了该神经网络的优越性。     

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性.     

基于神经网络的进化机器人组合行为方法研究

为了克服传统机器人设计方法存在的局限性,提高机器人的自适应能力,采用神经网络方法实现了进化机器人避碰、趋近及其组合行为学习,首先,提出了新的机器人模拟环境和机器人模型,结合了采用神经网络实现进化学习系统的方法。其次,对具有进化学习机制的机器人基本行为和组合行为学习系统进行了仿真,并通过仿真证明了新模型不要求环境知识的完备性,机器人具有环境自适应学习能力,还具有结构简洁、易扩展等特点,最后,对仿真结果进行分析与讨论,并提出了进一步研究方向。     

气动机器人位置伺服系统的在线自学习神经网络控制

针对所研制的关节型4自由度气动机器人位置伺服系统的特点,提出采用神经网络辨识器在线学习系统模型,以之实时调整神经网络控制器相应的参数,来适应有杆气缸左右两腔摩擦力和压力在运动过程中变化复杂的情况,增强系统对于惯性负载变化和外部干扰的自适应性.实验证明,采用自学习神经网络控制可以得到较好的动态响应性能,系统具有较强的自适应性和鲁棒性,并获得了满意的重复稳态精度.     

多机器人动态编队的强化学习算法研究

在人工智能领域中，强化学习理论由于其自学习性和自适应性的优点而得到了广泛关注．随着分布式人工智能中多智能体理论的不断发展，分布式强化学习算法逐渐成为研究的重点．首先介绍了强化学习的研究状况，然后以多机器人动态编队为研究模型，阐述应用分布式强化学习实现多机器人行为控制的方法．应用SOM神经网络对状态空间进行自主划分，以加快学习速度；应用BP神经网络实现强化学习，以增强系统的泛化能力；并且采用内、外两个强化信号兼顾机器人的个体利益及整体利益．为了明确控制任务，系统使用黑板通信方式进行分层控制．最后由仿真实验证明该方法的有效性．     

基于神经网络的机械臂的力控制方法

本文提出一种基于神经网络的力控制方法，由两个串联的神经网络构成机械臂的力控制器，其中一个网络用来学习机械臂本身的逆动力学系统，而另一网络用来学习未知的被接触环境的动力学特征，这种方法避免了困难的接触环境建模问题。一个 双连杆机械臂的力控制的仿真实验描述了种种方法的有效性。     

基于CMAC神经网络的智能助行机器人在线学习控制

为了使老年人能够独立、安全、舒适地行走于户外环境,针对自行开发的智能助行机器人ZJU Walker,提出一种基于CMAC神经网络的在线学习控制算法.CMAC神经网络模拟人的小脑结构,具有学习速度快、结构简单等特点.采用CMAC神经网络对用户的行走习惯进行关联记忆和在线学习,并理解用户的行走意图.实验结果验证了所提方法的有效性,使助行机器人更加易于使用,提高了用户在使用过程中的舒适度.     

电驱动刚性机器人的鲁棒神经网络复合控制

采用逐步逆向的设计思想，提出一种新的电驱动刚性机器人轨迹跟踪的鲁棒神经网络复合控制策略，该策略不仅能有效地消除模型不确定性的影响，而且可避免复杂的求导运算以及对关节角加速度可测的要求。给出了控制器的具体组成和神经网络连接权的在线学习算法，理论表明该算法能保证跟踪误差及神经网络连接权估计最终一致有界，仿真结果也验证了算法的有效性。     

模糊神经网络控制器在伺服系统中的在线应用

基于神经网络的结构,结合模糊控制的理论,提出了一种模糊神经网络在线学习自适应结构,针对模糊神经网络控制器一般存在着在线修正权值计算量大。权值过度修正容易导致系统振荡等缺点,采用变结构变速率的学习方法对网络结构参数权值进行修正。将参数调整后的控制器模型应用于伺服系统中,并与传统的ITAE三阶无静差最优控制进行比较,仿真试验表明该控制器不但能够提高系统的控制品质,同时可以消除输出力矩对被控对象的扰动,具有很好的控制效果。     

基于神经网络的无人机姿态自适应控制仿真

针对四旋翼无人机姿态控制中模型不完整、部分参数和扰动不确定的问题,提出了一种基于神经网络的自适应控制方法,采用RBF神经网络对无人机姿态动力学模型中不确定和扰动部分进行学习,设计了以类反步法为基础,包含反馈控制和神经网络控制的自适应控制器,实现了对未知动态的准确逼近,解决了传统控制方法中过于依赖精确模型的问题。同时设计了神经网络的权值自适应律,实现了控制过程中的在线学习和调整,并且通过李雅普诺夫方法证明了闭环系统的稳定性。仿真结果表明,在存在较大扰动的情况下,上述控制器可得到很好的控制效果,可以实现误差的快速收敛,具有较好的鲁棒性和自适应性。     

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。     

AUV深度的神经网络辨识和学习控制仿真研究

将自主水下航行器（AUV）的深度控制问题转换为对非线性严格反馈系统的分析,提出了一种结合反步法和确定学习理论的自适应学习控制方法。通过反步法设计了一种输入状态稳定（ISS）神经网络控制器,其中引入小增益定理,避免了控制器设计中存在的奇异值问题,并在满足持续激励（PE）条件下,利用神经网络辨识实现了对系统未知动态的局部准确逼近和部分神经网络权值的收敛,保证了闭环系统的稳定。将从动态模式中学到的知识静态保存,提取动态特征设计学习控制器,仿真结果表明,该控制器避免了执行同样任务时的重复训练,改善了系统控制性能,验证了所提控制方法的有效性。     

基于神经网络的恒温控制系统的研究与设计

由于恒温控制的数学模型很难建立,针对这一难题提出了基于神经网络的PID控制器,侧重介绍了BP神经网络PID控制器算法的基本知识以及控制器的设计原理,通过实验仿真证明了神经网络PID控制器的控制效果比传统的PID控制在静态特性和动态特性方面都有所提高,而且具有较好的鲁棒性,该控制器在工业控制中将会发挥越来越大的作用.     

Design and performance of an intelligent predictive controller for a six-degree-of-freedom robot using the Elman network

The aim of this paper was to propose a recurrent neural network-based predictive controller for robotic manipulators. A neural network controller for a six-joint Stanford robotic manipulator was designed using the generalized predictive control (GPC) and the Elman network. The GPC algorithm, which is a class of digital control method, requires long computational time. This is a disadvantage in real-time robot control; therefore, the Elman network controller was designed to reduce processing time by avoiding the highly mathematical and computational complexity of the GPC. The main reason for choosing the Elman network, amongst several neural network algorithms, was that the presence of feedback loops have a profound impact on the learning capability of the network. The designed neural network controller was able to recover quickly because of its significant generalization capability, which allowed it to adapt very rapidly to changes in inputs. The performance of the controller was also shown graphically using simulation software, including the dynamics and kinematics of the robot model.     

基于RBF神经网络控制的球杆系统位置控制实验研究*

球杆系统是一种典型的高阶非线性不稳定系统,针对PID跟踪控制精度不高及BP神经网络控制训练时间较长的问题,本文提出一种带有低通滤波器的RBF神经网络控制器(RBFC)动态补偿PID控制的球杆控制方法,控制系统由RBF神经网络控制及PID控制器组成。为提高参数辨识速度和避免局部最小值,采用梯度下降法更新隐含层参数,采用带有遗忘因子的最小二乘法更新输出层权值。实验结果表明,该控制方案相比PID控制具有更高的控制精度,比BP神经网络具有更快的学习速度,低通滤波器保证了RBFC的辨识精度和稳定的控制输出,具有良好的动静态特性和控制性能。     

基于高斯基神经网络的自学习控制及应用*

本文提出一类基于高斯基神经网络的自学习控制器，该控制器由两个ＧＰＦＮ网络组成，一个完成ＰＩＤ学习控制，另一个完成未知被控对象模型的建模，为加快网络的学习过程，文中提出了递归最小二乘法（ＲＬＳ）用于神经网络的学习，并分析研究了自学习控制系统的收敛性和稳定性，仿真和实验结果表明，这类智能控制是成功的。     

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。     

A framework for brain learning-based control of smart structures

A novel framework for intelligent structural control is proposed using reinforcement learning. In this approach, a deep neural network learns how to improve structural responses using feedback control. The effectiveness of the framework is demonstrated in a case study for a moment frame subjected to earthquake excitations. The performance of the learning method was improved by proposing a state-selector function that prevented the neural network from forgetting key states. Results show that the controller significantly improves structural responses not only to earthquake records on which it was trained but also to earthquake records new to the controller. The controller also has stable performance under environmental uncertainties. This capability distinguishes the proposed approach and makes it more appropriate for the situations in which it is likely that the controller will be exposed to unpredictable external excitations and high degrees of uncertainties.