二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器对二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

三级倒立摆的加权变量模糊神经网络控制

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani型摸糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比,表明该Sugeno型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。     

二级倒立摆控制器设计及稳定性研究

在二级倒立摆控制器优化设计的研究中,由于二级倒立摆系统是一种复杂多变量、强耦合的不稳定系统,较难达到稳定平衡状态,首先要建立模型,之后才能够进行系统仿真与实际控制实验.由于系统对控制器性能要求较高,因此选用遗传算法训练的小波神经网络控制器,并针对遗传算法仍然存在的收敛速度慢,泛化性能差,可能陷入“早熟”等许多问题,对算法加以改进.将采用罚函数为基础的小生境技术引进到遗传算法中;并根据个体适应度来改进交叉概率.在仿真与实物控制实验中,控制器能够实现二级倒立摆系统的稳定控制,且抗干扰能力、系统平衡恢复速度优良,验证了设计的二级倒立摆控制器的有效性.     

二级倒立摆系统的实时稳定控制实验研究

为实现二级倒立摆系统的实时稳定控制,以深圳固高直线二级倒立摆装置作为控制对象,在MATLAB环境下,利用基于二次型最优控制理论的线性二次型(Linear Quadratic Regulator,LQR)最优控制器,成功实现了该装置的实时稳定控制。为引入新的控制策略,采集二级倒立摆实时控制过程中的LQR控制器数据作为样本,经过自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS)工具箱训练并生成出一种新型模糊神经网络控制器,应用到装置上同样实现了实时平衡。结果表明,新型控制器较LQR控制器控制效果更优,也为成功实现装置的实时平衡提供了一种新的思路和解决方法。     

三级倒立摆的自适应神经模糊控制

在三级倒立摆(TIP)系统中, 应用神经网络与模糊控制相结合的自适应神经模糊推理系统(adaptive neuralfuzzy inference system), 根据样本数据调整隶属函数和控制规则参数, 使得训练后ANFIS控制器很好地模拟期望的输入输出数据. 仿真结果表明所设计的ANFIS控制器对三级倒立摆系统的稳定控制是可行的. 与LQR控制相比, 基于ANFIS控制的倒立摆系统具有良好的动态性能和抗干扰性能.     

状态变量合成三级倒立摆模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题,提出了用状态变量合成模糊神经网络控制三级倒立摆的方法。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题,又能适用对状态变量可按性质和类型分类的多变量系统的控制,大大减少了模糊神经网络控制器的规则数,有利于利用专家的控制经验。实验结果证实了该方法的控制效果好,鲁棒性强。     

基于模糊加权的倒立摆混合控制

针对小车倒立摆系统,提出了一种线性状态反馈控制和滑模控制模糊加权的控制方法.滑模控制器的作用是将摆角控制在零的一个邻域内,在此邻域内首先采用近似的线性化模型来描述倒立摆系统,然后采用基于极点配置的方法设计系统的线性状态反馈控制器以使系统的状态稳定在给定值,两个控制器的输出通过加权求和作为倒立摆的控制作用.仿真结果证实了该方法的有效性.     

二级倒立摆的状态变量合成模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题，提出用状态变量合成模糊神经网络控制二级倒立摆。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题，又能对状态变量可摈性质和类型分类的多变量系统，大大减少模糊神经网络控制器的规则数，有利于利用专家的控制经验。实验结果证实了该方法的控制效果好，鲁棒性强。     

基于变量分组模糊控制算法的倒立摆系统

采用模糊控制理论研究了直线一级倒立摆控制问题。直线一级倒立摆系统是多变量不稳系统,为了解决模糊规则爆炸问题,本文采用了变量分组的方法完成倒立摆模糊控制器的设计方案。要使直线一级倒立摆系统稳定,必须对小车位置和摆杆角度同时进行闭环控制,而单一的控制只能控制一个控制量,本文提出了两回路的模糊控制方案。仿真和实验结果证明了该方案的可行性和良好的控制性能。