共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
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%。 相似文献
3.
4.
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 总被引:3,自引:1,他引:2
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。 相似文献
5.
6.
7.
用神经网络结构实现超磁致伸缩智能构件滑模控制 总被引:3,自引:4,他引:3
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. 相似文献
8.
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。 相似文献
9.
程启明 《工业仪表与自动化装置》2004,(3):3-5
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。 相似文献
10.
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。 相似文献