基于神经网络与PD的非线性控制

提出了一种层叠小脑模型关节控制器（CMAC）神经网络同传统PD控制相结合的控制策略.该策略利用改进CMAC 学习控制系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,采用PD控制系统实现反馈控制,保证系统的稳定性,且抑制扰动.并采用跟踪-微分器对信号进行了滤波.仿真及实验结果表明：该控制策略提高了系统的控制精度和响应速度,并且具备较强的抗干扰能力和鲁棒性.     

惯性稳定平台变置信度优化平滑CMAC复合控制

提出了一种基于变置信度(MC)及优化平滑算法(OS)的改进型小脑模型关节控制器(CMAC)复合控制方法,用于提高航空遥感惯性稳定平台控制系统指向精度及稳定性。首先,以CMAC学习过程中存储单元被激活的次数为依据,对存储单元设置不同的置信程度,提高了CMAC控制器的学习效率与控制精度,避免了系统动态跟踪中过学习发散现象而导致的控制系统精度下降甚至崩溃;其次,针对常规CMAC算法系统输出波动较大问题,加入优化权值算法,改善系统输出平滑性,提高了CMAC控制器的稳定性,避免了系统输出波动对电机及传动系统损害;最后对提出方法进行了仿真分析并利用实验室某三轴惯性稳定平台进行实验验证。实验结果表明:采用基于MCOS的改进型CMAC复合控制方法后,稳定平台系统控制精度、响应速度及输出平滑稳定性均得到有效提高,动基座推车实验框架角位置水平跟踪误差RMS值为0.021 6°,相对PID与常规CMAC控制方法分别降低了55.09%和30.55%。     

基于递归小脑神经网络模型控制的空间机器人关节抗死区及摩擦控制

探讨了存在关节力矩输出死区、摩擦与外部干扰的载体位姿均不受控的漂浮基空间机器人系统的动力学控制问题。设计了一种递归小脑模型关节控制器（CMAC）神经网络与死区估计补偿器,使两关节铰能够跟踪期望运动轨迹。该控制器利用摩擦双观测器估计不可测的内部摩擦状态,利用死区预补偿器消除关节力矩输出死区的影响;应用递归小脑神经网络模型逼近了包含摩擦误差及外部干扰的动力学方程不确定项。仿真结果表明了该控制方法的有效性。     

基于小脑模型神经网络的气动六自由度并联平台的复合控制方法研究

针对气动驱动系统的强非线性特性,本文采用基于小脑模型(CMAC)神经网络和PD的复合控制结构,用于气动六自由度并联平台各驱动关节的轨迹跟踪控制,以提高系统的跟踪精度和抗干扰能力。CMAC网络采用不均匀的输入量化函数,在零值误差附近增加量化等级,以提高系统的控制精度;而在误差较大处减小输入量化级数,从而在不增加存储空间的情况下,加大输入信号的范围。系统的仿真和实验结果都表明,与PD控制相比,该方法能有效地提高系统的轨迹跟踪精度。     

基于模糊神经网络的不确定机器人实时轨迹跟踪控制的研究

针对机器人建模的不精确性以及扰动的存在给机器人控制增加难度的问题,提出了一种基于模糊神经网络的不确定机器人实时轨迹跟踪控制方法。该控制方法的控制器由模糊神经网络(FNN)控制器和CMAC控制器组成,FNN控制器代替传统的计算力矩法,CMAC控制器在线补偿控制误差,有效补偿机器人存在的各种不确定性。对二自由度机器人的仿真结果表明了所提出的控制方法的可行性。     

基于小脑模型关节控制器的水下机械手复合运动控制的研究及仿真

水下机械手系统是一个高度非线性强耦合的作业系统,作业环境非常复杂且受到强干扰.考虑水动力对水下机械手的作用,推导了水下机械手的动力学模型;提出了一种基于小脑模型关节控制器与PID的复合控制算法,使水下机械手具有在线学习能力,能适应复杂的水下作业环境.以二关节水下机械手为例,利用MATLAB/Simulink对水下机械手的作业控制进行了仿真研究,结果证明,该控制方法和动力学模型可以有效地用于水下机械手的控制研究.     

用神经网络结构实现超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法.采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响.将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰.仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制.     

一种基于CMAC神经网络的模糊控制器设计

对于存在外在的环境干扰和系统参数时变的非线性系统来说,传统的小脑模型需要重新学习合适的权重参数,这种学习式的设计方法是相当耗时的,为了改善这种情况,本文提出了模糊控制与小脑模型结合的方式,能够有效地对未知的非线性模型系统进行实时控制。通过仿真的对比试验,这种把小脑神经网络与模糊控制结合起来的控制方法,具有两种控制方法的优点。仿真结果表明,FCMAC控制器具有较高的控制精度、良好的自适应特性。     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

超磁致伸缩致动器的小脑神经网络前馈逆补偿-模糊PID控制

针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略。通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制。仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58。此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能。