用进化RBF神经网络控制二级倒立摆

提出了一种应用ＲＢＦ神经网络和遗传算法相结合的控制算法,用于控制二级倒立摆系统,这种方法把线性控制系统的条件作为非线性最优控制性能指标的约束条件,用改进的遗传算法求解使性能指标最小的ＲＢＦＮＮ控制器参数。仿真结果表明,该方案优于传统的状态反馈方法和模糊控制方法,具有更大的稳定域,抗干扰能力更强。     

神经网络预测控制及其在二级倒立摆中的仿真

本文介绍了一种基于神经网络的预测控制算法,考虑到算法中复杂性能指标的寻优难以找到全局最优解,提出了一种在工作点附近线性化得到对象的瞬时ARIX模型,再利用GPC(广义预测控制)算法求得近似解,最后以其为初值进行寻优获得全局最优解的方法,提高了算法的性能。最后的二级倒立摆仿真验证了算法的可靠性。     

模糊控制在二级倒立摆中的应用

本文推导了二级倒立摆的数学模型，研究了它的控制方法。本文引入了综合误差和综合误差变化率的概念，大大的减少了模糊控制器的输入变量，从而减少了模糊控制器的控制规则，使控制器的控制规则更简单、有效。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。     

基于模糊神经网络的倒立摆控制系统

在分析模糊控制、神经网络控制的基础上,根据倒立摆的特点,提出了模糊神经网络的控制结构。使用了遗传算法和BP算法相结合的方式来优化模糊神经网络,并以固高公司的倒立摆做实验,对实验结果进行了深入的研究和分析。     

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。     

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。     

模糊神经网络算法在倒立摆控制中的应用

本文利用一种可以进行结构和参数学习的模糊神经网络成功地控制一级倒立摆,该网络是一种多层前馈网络,它将传统模糊控制器的基本要件综合到网络结构中。从而使该网络既具备神经网络的低级学习能力,从而还具备模糊逻辑系统类似人的高级推理能力。因而,给定训练数据后,该网络不仅可以学习网络参数,同时还可以学习网络结构。结构学习确定了表示了模糊规则和模糊分段数的连接类型以及隐节点数目。对一级倒立摆的实际控制效果可以证明该算法的性能和实用性。     

基于EKF滤波的倒立摆神经网络控制研究

为解决一类带干扰的模型不确定倒立摆系统中存在的两类未知项——未知函数和外界干扰,采用了基于Lyapunov函数稳定性的神经网络控制方法设计控制器。控制器设计中利用扩展卡尔曼滤波(EKF)消除系统观测噪声,获取系统状态的估计值,进而利用径向基函数(RBF)神经网络良好的逼近性来近似设计的控制律中的未知项。最后在倒立摆系统中对设计的神经网络控制器进行了仿真研究,仿真结果表明所设计的控制器能有效抑制外界干扰,在精确控制倒立摆的同时可以保证控制系统的稳定性和快速性。     

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。     

An Examination of Qubit Neural Network in Controlling an Inverted Pendulum

The Qubit neuron model is a new non-standard computing scheme that has been found by simulations to have efficient processing abilities. In this paper we investigate the usefulness of the model for a non linear kinetic control application of an inverted pendulum on a cart. Simulations show that a neural network based on Qubit neurons would swing up and stabilize the pendulum, yet it also requires a shorter range over which the cart moves as compared to a conventional neural network model.     

基于一种生长型神经网络的倒立摆控制

针对倒立摆这样的典型控制问题,提出了一种在结构与规模上可生长的神经网络控制方案。网络利用细胞生长结构算法的生长机制,在工作域中实现对刺激信号的自组织模式分类,并可通过新神经元的插入,实现网络规模的生长演化。在输出域中针对控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。最后进行了倒立摆的自学习控制的仿真实验,表明在自治地与环境的交互作用中,通过神经网络自身的发育,该方案有效地控制了倒立摆系统。     

一种生长型神经网络的倒立摆控制方案

针对倒立摆系统,提出了在结构上可生长的神经网络控制方案。网络利用细胞生长结构算法,在工作域中实现对状态变量的模式分类,并通过新神经元的插入实现网络规模的生长演化。在输出域中针对倒立摆控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。仿真表明,通过神经网络自身的发育,该方案有效控制了倒立摆系统。     

非线性倒立摆的BP神经网络系统辨识

基于BP神经网络能以任意精度逼近任何非线性连续函数的原理。通过在MATLAB环境下,对典型的不稳定、非线性、强耦合的倒立摆系统建立了BP神经网络辨识结构,并对辨识结果进行了分析。结果表明BP神经网络对非线性倒立摆模型的辨识是有效的。     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

进化计算在神经网络学习中的应用

提出两种用于前向神经网络的进化学习算法,一种基于遗传算法,另一种基于进化规则,通过对ＸＯＲ问题和ＩＲＩＳ模式分类问题的学习,证明它们远高于传统ＢＰ算法的性能。     

非线性倒立摆系统的神经网络辨识

基于四种非线性系统模型,对典型的不稳定、非线性、强耦合的倒立摆系统建立了神经网络辨识结构,并对辨识结果进行了简单的比较,讨论了隐含元个数的选择对模型辨识精度的影响。结果表明神经网络对于非线性倒立摆系统的辨识是有效的。