基于CMAC-模糊PID的自动送钻控制系统研究

针对自动送钻系统控制过程中液压盘式刹车影响因素的不确定性和非线性等特点,分析液压盘式刹车工作原理,建立自动送钻控制系统钻压钻速双闭环模型,设计了一种模糊PID与小脑模型神经网络(cerebellar model articulation controller,CMAC)自适应切换的控制策略,利用CMAC自适应能力与快速学习非线性函数能力对模糊PID控制过程进行学习,解决了恒钻压自动送钻控制系统的稳定性和快速性问题。仿真结果表明：相比于传统PID控制和模糊PID控制,CMAC-模糊PID控制使自动送钻控制系统的超调量降到0.1%,调整时间降低到0.2 s,提高了恒钻压自动送钻控制系统的稳定性和快速性。     

基于神经网络PID算法的四旋翼无人机优化控制

针对四旋翼无人机系统的时变性、非线性等问题,文中提出了一种基于神经网络PID的无人机姿态控制算法.该算法具有PID算法的强自适应能力和神经网络的强抗干扰能力.在建立四旋翼无人机刚体运动学模型和动力学模型基础上,搭建了四旋翼无人机MATLAB-Simulink姿态仿真控制模型,对比了神经网络PID控制算法与传统PID、串...     

基于ESO的NLPID神经网络控制器的设计

针对传统PID控制自适应和抗扰能力欠佳的问题,提出了一种具有强抗扰动能力的NLPID神经网络控制方法。该方法通过扩张状态观测器对系统建模中不确定性因素以及系统的外部扰动实时观测进行前馈补偿,并与非线性PID神经网络控制相结合,实现对非线性、时变、不确定性、受未知外扰系统的最优PID自适应抗扰控制。通过Matlab仿真结果与传统PID控制对比分析,表明该方法具有优良的动态品质和静态性能,在非线性系统控制领域拥具有重要的应用价值。     

基于遗传算法BP神经网络的恒压供水系统的研究

针对恒压供水系统普遍存在的非线性、大滞后和不确定的特点,设计了一种基于遗传算法BP神经网络的PID控制器,该控制器先通过遗传算法优化BP神经网络的初始权值,再利用BP神经网络的自学习和自适应能力,自动调整PID控制器的参数,达到自适应控制目的,解决了传统PID控制算法难以控制未知复杂系统的问题。软件仿真表明,本系统的恒压性能和动态性能有较大的提高,控制效果比较理想。     

基于CMAC的飞机泵源负载模拟流量压力控制

建立了飞机泵源负载模拟系统的数学模型,针对系统的非线性和各种不确定因素,提出了基于小脑神经网络的复合控制方法,控制器由比例-积分-微分(PID)和小脑模型神经网络控制器(CMAC)构成,该方法在传统的PID前馈控制方法上加入了CMAC神经网络快速学习算法,保证了快速实时跟进,进一步提高了控制精度.仿真结果表明,CMAC-PID能够较好解决PID在快速性和控制精度(稳定性)之间的矛盾,对抑制系统的非线性时变性具有一定效果.     

反射式超精密定位智能控制系统的研究

设计了一种基于反射激光莫尔信号的超精密定位装置,系统取反射的0次激光莫尔信号为控制信号,可实现高精度位置检测及超精密自动定位。针对反射式精密定位系统存在非线性,采用基于模糊神经网络的精密定位PID控制方法,利用模糊控制的模糊推理能力与神经网络的自学习能力,将模糊控制与RBF神经网络相结合在线（online）调整HD控制...     

基于BP神经网络的模糊PID控制器的设计

工业过程控制中广泛采用PID控制,但传统PID控制因其控制参数的固定,在线整定难等问题。为此本文研究了一种新的自适应模糊PID控制方法,为了解决模糊推理没有学习能力的问题,本文又提出了一种基于BP神经网络的自适应模糊控制方法。此方法是模糊控制、神经网络和PID控制的有效结合。仿真实验表明,这种基于BP神经网络的模糊PID控制算法具有良好的控制效果。     

比例变量泵死区的神经网络补偿研究

分析了轴向柱塞比例变量泵死区的主要形成原因及对控制性能的影响.利用RBF神经网络辨识变量泵的死区和系统参数,建立了死区的逆模型.根据辨识出的系统参数构造被控对象的参考模型,并设计自适应FID控制器.仿真结果表明逆模型抵消了泵的死区,改善了系统的静态性能.自适应PID控制器取得了良好的控制效果.     

基于动态神经网络在线辨识的PID控制

针对工业控制领域中复杂非线性时变系统和传统RBF神经网络辨识PID控制的不足,提出了一种基于聚类结合算法的动态RBF神经网络在线辨识PID自适应控制方法.通过优化的动态RBF辨识神经网络更好地描述了控制对象的动态行为,获得PID参数在线调整信息,实现系统的智能控制.仿真结果表明,与常规RBF神经网络辨识的PID控制方法相比该方法具有较高的控制精度,较快的系统响应,较强的适应性和鲁棒性.     

卡尔曼滤波器在PID控制中的仿真研究

通过研究卡尔曼滤波器的信号模型,采用KALMAN滤波器同常规PID控制相结合的方法对系统进行仿真研究,利用卡尔曼滤波器来克服系统中的测量噪声和控制噪声对控制性能的影响。结果表明:同没有加卡尔曼滤波器的常规PID控制相比,卡尔曼滤波器很好地抑制了白噪声的污染,控制效果明显改善。     

伺服运动系统CMAC神经网络算法研究

为改善高速高精设备加工质量,利用小脑模型具有不依赖于被控对象的精确数学模型、极强的非线性拟合能力、对运行工况适应能力强的优势,将其与PID控制相结合形成PID＋CMAC控制策略;并借助Turbo PMAC的＂开放伺服＂功能,在Turbo PMAC运动控制器上实现了PID＋CMAC控制策略。测试结果表明PID＋CMAC控...     

基于S函数的BP神经网络PID控制器及Simulink仿真

BP网络在人工神经网络中应用最为广泛,文中给出基于MATLAB语言的BP神经网络PID控制器的S函数实现,在此基础上建立BP神经网络PID控制器的Simulink仿真模型,最后给出了该仿真模型应用在非线性对象中的仿真结果.     

基于神经网络的IMC-PID超声波电机控制

由于常规PID控制器无法有效地控制超声波电机非线性的运行特性,提出了一种基于神经网络的可变增益型内模PID控制(IMC-PID),构建IMC-PID简化PID控制器的参数整定,只需调节其中一个参数,为弥补超声波电机的非线性问题,引入神经网络到控制器中来调节参数。实验基于超声波电机伺服系统,利用该控制系统对行波超声波电机进行控制,得到了控制输入和输出的响应关系,并得出了较小的稳态误差,实验证明对超声波电机特性变化及负载扰动适应能力强。     

PID神经网络在飞控解耦中的仿真研究

在进行飞行控制律设计时,为了获得好的控制品质,有必要对各输出量进行解耦,并且使控制器能根据被控对象动力学特性的改变而自适应调整。为此,介绍了两种PID神经网络解耦控制结构和一种神经网络辨识器,并分别给出了PID神经网络解耦控制器和辨识器的前向算法及反向传播算法;最后分别应用两种解耦方法针对飞机横侧向线性模型进行计算仿真,得到了两种解耦结果;证明了PID神经网络解耦控制的有效性,并比较了两种结构的优缺点。     

Modeling gait transitions of quadrupeds and their generalization with CMAC neural networks

In this paper, two gait transition models of a quadruped are derived based on gait kinematics. The learning and generalization capability of the cerebellar model articulation controller (CMAC) neural network in learning gait transitions is then studied. The two gait transition models are the transition between two general periodic gaits and the transition between a periodic gait and a continuous follow-the-leader (FTL) gait, while maintaining FTL mode during the transition. These models are nonlinear and require either heuristic rules or simultaneous solution of several nonlinear equations. Many transition gaits are then generated by these kinematic gait transition models under various gait conditions and evaluated in terms of stability and smoothness of leg movements. The CMAC neural network is then applied to learn the good transition gaits in four transition conditions: (1) from wave gait to wave gait; (2) from wave gait to FTL gait; (3) from walk to trot; and (4) from trot to transverse gallop. The learning and generalization capability of the trained CMAC neural network is evaluated and found to be satisfactory. This study has demonstrated the potential of applying neural networks to learn walking machine gaits and gait transitions.     

自组织小脑神经网络算法研究

针对神经网络逼近非线性函数问题,提出一种在线的自组织小脑神经网络,其不需要预先确定存储空间的大小。该网络可以根据输入数据自适应地改变神经网络节点数和相对应的权值,具有良好的智能性;针对挠性卫星姿态控制,将自组织小脑神经网络用于不确定项的补偿中,提高系统的鲁棒性。仿真结果表明,该方法神经网络性能良好,实现了卫星姿态控制。     

PID-Like Neural Network Nonlinear Adaptive Control for Uncertain Multivariable Motion Control Systems

A mix locally recurrent neural network was used to create a proportional-integral-derivative (PID)-like neural network nonlinear adaptive controller for uncertain multivariable single-input/multi-output system. It is composed of a neural network with no more than three neural nodes in hidden layer, and there are included an activation feedback and an output feedback, respectively, in a hidden layer. Such a special structure makes the exterior feature of the neural network controller able to become a P, PI, PD, or PID controller as needed. The closed-loop error between directly measured output and expected value of the system is chosen to be the input of the controller. Only a group of initial weights values, which can run the controlled closed-loop system stably, are required to be determined. The proposed controller can update weights of the neural network online according to errors caused by uncertain factors of system such as modeling error and external disturbance, based on stable learning rate. The resilient back-propagation algorithm with sign instead of the gradient is used to update the network weights. The basic ideas, techniques, and system stability proof were presented in detail. Finally, actual experiments both of single and double inverted pendulums were implemented, and the comparison of effectiveness between the proposed controller and the linear optimal regulator were given.     

基于神经网络的增量PID算法及仿真研究

为了解决传统PID控制器对时变系统控制能力不强的弱点。利用神经网络理论与传统PID控制理论相结合。设计了一种基于神经网络的增量PID控制器,实现PID参数的在线自整定。通过实例仿真试验比较,这种控制器比传统的PID具有较强的适应性,可以获得满意的控制效果。     

基于CMAC的卡尔曼滤波技术在组合导航系统中的应用

经典卡尔曼滤波器要求假设系统的动态模型和观测模型的噪声统计特性已知,而组合导航系统的噪声具有非先验性。为了解决这一问题,提出小脑模型神经网络（CMAC）辅助卡尔曼滤波器。仿真试验结果表明,该辅助算法的精度与经典卡尔曼滤波算法相比提高了2倍,收敛时间缩短近200 s,并有效地克服了传统神经网络学习速度慢,泛化能力弱的缺点,使系统具有自适应能力,以应付动态环境的扰动。