用于机器人的非线性补偿结合模型跟随自适应控制方法

本文提出一个新的机器人控制方法。这个方法结合了“计算力矩”方法和自适应方法各自的优点.本方法首先利用机器人动力学模型进行非线性反馈和前馈补偿使机器人各关节解耦.然后在此基础上对含有一个非线性误差耦合项的二阶线性系统设计离散模型跟随自适应控制器。用基于 Popov 超稳定性的离散模型跟随自适应机构来克服因建模不精确和负载变化所造成的偏差.仿真结果表明,应用本文所提方法,控制系统的性能满足快速性和精确性的要求并且鲁棒性很强。     

机器人操作手的数字仿真

机器人操作手是一个多自由度、惯性耦合、非线性参变系统。本文提出一种新的非线性结构图数字仿真方法,能较直观地表示各杆之间的耦合关系,并通过关节间的合适前馈以补偿由库伦摩擦、重力负载以及速度和加速度所引起的稳态误差。     

机器人鲁棒自适应分散控制

本文提出一种新颖的鲁棒自适应分散控制策略，用于不确定性机器人的轨迹跟踪．该控制器结构非常简单，由一个线性ＰＤ反馈＋补偿不确定动力学的非线性自适应反馈构成，能够有效的克服通常难于建模的摩擦力和外部扰动影响，而唯一需要了解的只是各关节输出的位置及速度状态，最后保证全局的渐近稳定．二自由度机器人的仿真证明了该法的有效性．     

具有H∞ 跟踪性能的机器人自适应犘犐犇控制

针对非线性不确定机器人系统的轨迹跟踪控制问题,提出一种鲁棒自适应ＰＩＤ 控制算法．该控制器由主控制器和监督控制器组成．主控制器以常规ＰＩＤ 控制为基础,基于滑模控制思想设计ＰＩＤ 参数的自适应律,根据误差实时修正ＰＩＤ 参数．基于Ｌｙａｐｕｎｏｖ函数设计的监督控制器补偿自适应ＰＩＤ 控制器与理想控制器之间的差异,使系统具有设定的犎∞ 的跟踪性能．最后,两关节机器人的仿真实验结果表明了算法的有效性．     

6-PRRS并联机器人的小脑模型神经网络控制

设计了小脑神经网络控制器.采用分散控制策略利用小脑神经网络来消除并联机器人控制系统非线性、耦合的影响及学习系统的不确定信息,作为前馈补偿使系统跟踪误差快速收敛;并采用PID作为反馈控制,保证系统的稳定性,从而实现6-PRRS并联机器人的快速、稳定轨迹跟踪.     

高精度轨迹跟踪的6-PRRS并联机器人自抗扰控制研究

针对6-PRRS并联机器人控制系统的非线性、耦合等特性,采用分散控制策略。在关节空间设计强鲁棒性的自抗扰控制器对其进行控制．该自抗扰控制器由非线性跟踪微分器、扩张状态观测器、非线性PD和扰动补偿4部分组成．具有模型补偿功能的扩张状态观测器可以获得系统的状态估计和未知外扰的实时作用量,使系统性能得到有效补偿．该控制器以离散的形式进行设计,易于工程实现．仿真结果证明了所提出的控制策略具有强鲁棒性,跟踪性能良好．     

基于大脑情感学习的四轮驱动机器人速度补偿控制

由于4轮驱动机器人的轮间耦合特性及系统非线性的存在,即使单个驱动电机的控制精度达到最优,机器人整体的运动控制效果也未必理想.针对这一问题,提出一种基于大脑情感学习的机器人速度补偿控制方法.基于大脑情感学习计算模型,设计了融合机器人整体速度跟踪误差及其积分、微分信息的补偿控制器,通过计算模型内部各节点权值的在线学习,及时地调整控制器的参数,实现对4个轮子速度的自适应补偿.仿真实验表明,该方法有效减小了非线性干扰对系统的影响,具有较高的稳态控制精度和较快的响应速度,大大提高了机器人整体的速度和轨迹跟踪精度.     

基于耦合ADRC原理的机器人无标定手眼协调

研究机器人的无标定手眼协调问题．基于耦合的自抗扰控制器思想，通过对系统建 模的不确定性及其未知外扰进行非线性补偿，完成了相互耦合的不依赖于系统特定任务的无 标定手眼协调控制器的设计，实现了广泛意义的机器人无标定手眼协调，最后的仿真和实验 说明了该方法的可行性．     

基于神经网络前馈补偿的欠驱动机器人越障控制

针对欠驱动巡检机器人相对于传统机器人控制量少于控制对象的特点,依靠Lagrange定理建立机器人系统动力学模型和电缆弯曲数学模型.根据障碍物外形特点给出障碍物特征量的提取方法;根据障碍物较大,常规的运动控制输出量不宜变化过大的特点,以及机器人越障过程中要保持机体平衡,依据动力学模型提出了基于神经网络补偿的前馈-反馈控制器,以实现对系统姿态控制和越障控制.控制器具有自学习、自动补偿的能力,对非线性对象有较好的控制作用.仿真结果表明,该方法相对于常规PID控制、普通模糊控制具有超前调节、超调量小、抗扰动能力强的特点.通过实验,验证了基于神经网络补偿的前馈-反馈控制器的合理性.     

具有H∞ 跟踪性能的机器人自适应犘犐犇控制

针对非线性不确定机器人系统的轨迹跟踪控制问题,提出一种鲁棒自适应ＰＩＤ 控制算法．该控制器由主控制器和监督控制器组成．主控制器以常规ＰＩＤ 控制为基础,基于滑模控制思想设计ＰＩＤ 参数的自适应律,根据误差实时修正ＰＩＤ 参数．基于Ｌｙａｐｕｎｏｖ函数设计的监督控制器补偿自适应ＰＩＤ 控制器与理想控制器之间的差异,使系统具有设定的犎∞ 的跟踪性能．最后,两关节机器人的仿真实验结果表明了算法的有效性．

     

Lattice algebra approach to single-neuron computation

Recent advances in the biophysics of computation and neurocomputing models have brought to the foreground the importance of dendritic structures in a single neuron cell. Dendritic structures are now viewed as the primary autonomous computational units capable of realizing logical operations. By changing the classic simplified model of a single neuron with a more realistic one that incorporates the dendritic processes, a novel paradigm in artificial neural networks is being established. In this work, we introduce and develop a mathematical model of dendrite computation in a morphological neuron based on lattice algebra. The computational capabilities of this enriched neuron model are demonstrated by means of several illustrative examples and by proving that any single layer morphological perceptron endowed with dendrites and their corresponding input and output synaptic processes is able to approximate any compact region in higher dimensional Euclidean space to within any desired degree of accuracy. Based on this result, we describe a training algorithm for single layer morphological perceptrons and apply it to some well-known nonlinear problems in order to exhibit its performance.     

Fuzzy adaptive single neuron NN control of brushless DC motor

Inherently, the brushless DC motor (BLDCM) is a nonlinear plant. So, it is hard to get a good performance by using the conventional PI controller for the speed control of BLDCM. In this paper, a fuzzy adaptive single neuron neural networks (NN) controller for BLDCM is developed. The fuzzy logic system (FLS) is adopted to adjust the parameter K of single neuron NN controller online. By this way, performance of the system can be improved. Performances of the proposed fuzzy adaptive single neuron NN controller are compared with the performances of conventional PI controller and normal single neuron NN controller. The experimental results demonstrate that a good control performance is achieved. The using of fuzzy adaptive single neuron NN makes the drive system robust, accurate, and insensitive to parameter variations.     

基于单神经元的自适应逆控制仿真研究

针对火电厂热工对象的变结构、变参数和时变等特点,不采用一般的单神经元自适应PID 控制,而是在此基础上加以改进,采用基于单神经元的自适应逆控制方案。通过大量的在各种环境变化和对象参数变化中的仿真研究表明,这种方法取得了很满意的控制效果,且控制算法简单,易于工程实现,有一定的实用价值。     

用改进的前向神经网络实现离散Hough变换

介绍了用前向单层神经网络实现离散Ｈｏｕｇｈ变换（ＨＴ）的方法，并且通过对其权值矩阵的修正以及神经元输出函数的修正，改善了ＨＴ的性能，提高了ＨＴ的分辨率。     

神经元电发放活动的非线性动力学研究

以神经元离子通道模型Hodgkin-Huxley方程为研究对象,通过改变刺激电流的幅值与频率,用数值分析的方法考察神经元电发放活动的非线性动力学性质.结果表明,一定频率的刺激电流可以引起神经元电发放的混沌行为.     

基于TS模型的增益自校正单神经元PID控制算法

将单神经元自适应PID控制算法和基于TS模型的模糊推理系统相结合,提出了增益模糊自校正单神经元PID控制算法。该算法使得传统单神经元自适应PID控制的神经元增益具备在线自动调整的功能,对于变增益的不确定性系统的控制,获得了很好的控制性能。     

Minimal data rate stabilization of nonlinear systems over networks with large delays

Control systems over networks with a finite data rate can be conveniently modeled as hybrid (impulsive) systems. For the class of nonlinear systems in feedfoward form, we design a hybrid controller, which guarantees stability, in spite of the measurement noise due to the quantization, and of an arbitrarily large delay, which affects the communication channel. The rate at which feedback packets are transmitted from the sensors to the actuators is shown to be arbitrarily close to the infimal one. Copyright © 2009 John Wiley & Sons, Ltd.     

改进的单神经元自适应控制系统在MCGS中的应用

对于现代工业控制中的一些具有时变的、大时滞、非线性的复杂系统,常规的PID算法难以整定PID参数,因而难以达到预期的控制效果. 本文在MCGS组态软件的实验平台上实现常规PID算法和单神经元自适应PID算法分别在线性和非线性的系统的控制. 实验结果表明,在线性系统和非线性系统中单神经元自适应PID控制算法都具有更好的稳定性和动态性能.     

Spiking perceptrons

A more plausible biological version of the traditional perceptron is presented here with a learning rule which enables training of the neuron on nonlinear tasks. Three different models are introduced with varying inhibitory and excitatory synaptic connections. Using the derived learning rule, a single neuron is trained to successfully classify the XOR problem.     

解方程组的单神经元自适应控制微粒群算法

基于微粒群算法解决函数优化问题的优点，提出了使用微粒群算法求解方程组，并给出了求解方程组的通用模型。应用标准微粒群算法求解方程组容易陷入局部极值，导致方程组的解精度不高，并且算法具有较复杂的非线性特性。因此，将微粒群算法作为控制对象，引入单神经元控制器控制算法的惯性权重，将控制器具有的自学习、自适应能力和算法的全局优化特性相结合，用于方程组的求解。实验结果表明，该方法是有效可行的，适合于求解实际工程问题中的高非线性度方程组。