GA优化的RBF神经网络外骨骼灵敏度放大控制

为改善外骨骼机器人灵敏度放大控制(SAC)性能,结合遗传算法(GA)与径向基函数(RBF)神经网络建立在线计算外骨骼机器人的精确动力学模型.用GA优化RBF神经网络的中心矢量与基宽度,并对RBF网络的权值实时更新,在线学习外骨骼机器人动力学模型中的参数矩阵,进一步推导出SAC控制律.仿真结果表明:GA优化后的RBF网络,可以在线学习外骨骼的动力学模型,基于该模型的SAC能够实现精确的人体轨迹跟踪,相比于优化前,人体轨迹跟踪误差以及人机交互信息会快速减小并收敛到0的微小邻域内,可实现人机协调运动.     

下肢外骨骼机器人动力学参数辨识与步态跟踪

为了提高下肢外骨骼机器人步态轨迹跟踪的精度,对于下肢外骨骼二连杆动力学模型,提出一种静态与动态结合的参数辨识的实验方法,并结合穿戴者人体参数,得到人机协同系统精确的动力学模型。采用基于模型上界的滑模控制,并引入低通滤波器,进行MATLAB步态跟踪仿真。经仿真表明,髋关节和膝关节转矩的实验测量值与理论计算值的波形基本一致,动力学参数辨识结果正确;基于滑模控制的人机协同系统能够实现髋关节和膝关节对参考步态轨迹的精准跟踪,低通滤波器能够有效减小滑模控制引起的高频抖振。这为下肢外骨骼动力学参数辨识提供了一种解决方案,为基于模型的控制方法提供了一种参考模型,为下肢外骨骼人机协同系统的步态轨迹精准跟踪提供了一种参考方法。     

下肢助力外骨骼机器人自适应阻抗控制研究

当前用于人体运动增强的下肢助力外骨骼系统获得越来越多的关注。获取高精度跟随控制是下肢助力外骨骼机器人研制的主要挑战。针对当前基于位置的控制算法需要复杂的外骨骼动力学模型的问题,该文提出了基于增强学习的变参数阻抗控制算法。首先介绍了HUALEX助力外骨骼系统并对HUALEX建立简单动力学模型。基于此,提出一种基于增强学习的自适应阻抗控制算法,验证了阻抗参数对控制效果的影响,并通过仿真实验验证了该算法的有效性。     

基于Simulink的下肢外骨骼机器人模糊PID控制与仿真分析

为研究下肢外骨骼的轨迹跟踪控制,结合人体生物学特点及户外助力要求,设计了一款可穿戴式下肢外骨骼机器人。针对PID控制在轨迹跟踪时无法消除扰动的问题,为实现下肢外骨骼的柔顺控制,设计了一种模糊PID控制算法。首先在Solid Works上进行外骨骼结构设计,然后将外骨骼模型导入Simulink中搭建动力学仿真模型,对髋、膝、踝六关节驱动输入正常人体行走的力矩信息,在仿真模型中分别用普通PID控制器与模糊PID控制器对比控制效果,并对比了步态输入曲线与实际跟踪曲线。通过仿真结果对比可知,模糊PID控制相较于普通PID控制具有响应速度快、抗干扰能力强等优点。     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案，由RBF网络对系统进行在线辨识．建立其在线参考模型并为PID控制器提供了梯度信息，从而实现控制器参数的在线调整。仿真结果表明，该控制方法应用于真空炉温度控制时控制精度高，动态特性好，收到了良好的效果。     

基于RBF神经网络的PID自适应真空炉温度控制

提出一种基于RBF辨识神经网络算法的神经网络PID控制方案,由RBF网络对系统进行在线辨识,建立其在线参考模型并为PID控制器提供了梯度信息,从而实现控制器参数的在线调整.仿真结果表明,该控制方法应用于真空炉温度控制时控制精度高,动态特性好,收到了良好的效果.     

基于增强学习的下肢助力外骨骼虚阻抗控制

提出了一种基于增强学习的变虚阻抗控制算法,其控制器设计为一个结合人机交互模型的虚阻抗控制器。为了适应不同穿戴者所产生的交互力,采用了PI2增强学习算法对控制器中的参数进行在线学习。该控制策略在一自由度外骨骼平台和HUALEX下肢助力外骨骼上进行了实验验证,证明了所提出控制算法的有效性。     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。     

基于RBF神经网络的拟滑模控制

将一种拟滑模控制算法与径向基函数神经网络相结合,利用神经网络的网络权值具有自适应学习的能力,使拟滑模控制器的相关参数具有自适应性,从而优化控制信号,削弱系统抖振. 并给出了具体的设计方案,仿真结果表明,所给出方案是有效、可行的.     

基于RBF网络的模型参考自适应控制

针对一类非线性动态系统给出了一种基于RBF(径向基函数)神经网络的模型参考自适应控制算法,控制器的结构中使用RBF网络来动态的补偿系统的非线性性。基于Lyapnuov稳定性理论,给出了控制器参数的调整机制——σ-modification-type修正律,并根据神经网络的逼近误差给出了控制误差的估计,控制误差渐近收敛于0附近的一个紧集。仿真实例说明了所给出的算法切实可行。     

基于模糊RBF神经网络的永磁同步电机位置控制

针对比例-积分-微分(PID)控制器参数固定而引起永磁同步电机位置伺服系统控制效果不佳问题,设计了基于平滑切换的模糊PI控制和径向基函数(RBF)神经网络PID控制的位置控制器。暂态时,采用模糊PI控制;稳态时,采用RBF神经网络PID控制,两者中间采用模糊PI-RBF神经网络PID复合控制。该位置控制器既结合了模糊PI控制和RBF神经网络PID控制的优点又克服了各自的缺点。仿真结果表明,当永磁同步电机受到外部扰动时,采用模糊RBF神经网络控制器的永磁同步电机位置系统具有良好的动态性能,能够实现快速响应,做到精确定位,而且当负载变化时具有很强的抗干扰性。     

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.     

基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

基于Spiking的RBF神经网络故障诊断算法

神经网络是一种不依赖模型的控制方法,其自身并不需要给定预先需要的有关先验知识和判断函数,因此能对变化的环境（包括扰动和噪声信号等等）具有良好的自适应性.RBF神经网络是具有单隐层的三层前馈网络,由输入到输出的映射是非线性的,而隐含层空间到输出空间的映射是线性的.其优点在于收敛速度快,具有唯一最佳逼近的特性,且不会陷入局部最小的问题.Spiking神经网络采用时间编码的方式来进行数据处理,更接近于实际生物神经系统.基于Spiking的RBF神经网络在预测精度和误差控制上有着显著的效果.     

气动肌肉驱动步态康复训练外骨骼装置的研究

在为提高卒中病人的行走能力训练当中,广泛采用平板训练.在平板训练中,病人的下肢需要治疗师辅助进行运动.这种徒手训练对治疗师来说很消耗体力.因此,研制了一个用于步态训练的动力式下肢外骨骼装置.该外骨骼装置在平板训练中为髋关节和膝关节提供助力.外骨骼装置的结构基于人的关节驱动原理,每个关节由一对气动肌肉驱动.以气动肌肉的模...     

基于RBF神经网络的裂缝开度预测模型

大坝裂缝开度是大坝安全的重要特征之一。针对传统裂缝开度预测模型的不足,提出了基于RBF神经网络的裂缝开度预测模型,该模型克服了传统模型容易陷入局部极小和运算迭代量大的缺点,有效地提高学习速度,加快了收敛速度,缩短了训练时间,使得预测精度提高,因此能较好地预测裂缝开度值。利用Matlab的RBF神经网络工具箱建立了裂缝开度预测模型,并应用于实际工程中,取得了较高的拟合预报精度,说明该方法具有较强的实用性。     

基于RBF神经网络二级倒立摆系统的PID控制

针对二级倒立摆系统,提出一种基于RBF神经网络的PID控制方法。该方法采用RBF神经网络对PID控制器的参数进行优化修正,从而使控制器处于最优状态,实现二级倒立摆的稳定控制。仿真结果表明,该方法的控制精度较高,响应迅速,超调量较小。对于多变量、非线性、不稳定的快速系统,具有较好的控制效果。     

基于数据驱动的膝关节外骨骼控制

为了识别人体运动意图协调人机运动,采用二维激光测距仪采集地形数据进行在线识别,使用学习向量量化（LVQ）的方法,基于不同地形间的距离特征实现快速、准确的地形分类. 设计基于数据驱动的无模型自适应控制方法,基于膝关节角度的输入输出数据建立动态线性化模型,避免了人机外骨骼建模的复杂性和建模误差. 建立人机外骨骼模型,通过仿真得到正常行走时膝关节的先验力矩,引入先验力矩提高控制器的准确性. 搭建ADAMS和MATLAB联合仿真平台,选取平地路况进行实验. 实验结果表明,所设计的控制方法使得外骨骼膝关节对目标角度有良好的跟踪,对人体行走有较好的助行效果.