CMAC神经网络模糊控制器设计

详细介绍了CMAC神经网络结构、中间层作用函数地址的计算方法、输出层权值的学习算法,并利用CMAC神经网络对水下机器人深度模糊控制器进行了学习。仿真结果表明,训练得到的CMAC神经控制器控制效果良好,中间层作用函数地址的计算方法正确。     

机器人视觉伺服中CMAC学习控制系统研究

根据小脑模型关联控制器（CMAC）收敛速度快,适于实时控制系统的特点,设计了一种基于CMAC学习控制方法的机器人视觉伺服系统。在该系统中,CMAC被用作前馈视觉控制器对常规反馈控制器进行补偿。所提出的CMAC控制器替代图像雅可比矩阵来获得目标图像特征和机器人关节运动之间2D/3D变换关系,通过其在线学习,可以使系统对摄像机标定误差不敏感,从而提高系统的鲁棒性。实验证明了所设计控制系统的有效性。     

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.     

基于CMAC的双足步行机器人逆运动学控制

针对双足步行机器人(Biped Walking Robot)腿部逆运动学模型求解问题,采用一种基于CMAC神经网络的机器人逆运动学控制方法,设计CMAC神经网络控制系统.控制系统采用2个CMAC神经网络控制器分别用来逼近步行机器人支撑腿与摆动腿的逆模型,跟踪通过三维线性倒立摆模型生成的给定腰部轨迹.建立步行机器人正运动学模型来调整CMAC神经网络权值,实现了步行器人腿部逆运动学映射.仿真结果表明,CMAC神经网络控制系统可以在保证机器人位姿良好的情况下跟踪给定的参考轨迹.三维运动学仿真结果进一步验证了控制算法的有效性.     

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.     

基于CMAC神经网络的智能助行机器人在线学习控制

为了使老年人能够独立、安全、舒适地行走于户外环境,针对自行开发的智能助行机器人ZJU Walker,提出一种基于CMAC神经网络的在线学习控制算法.CMAC神经网络模拟人的小脑结构,具有学习速度快、结构简单等特点.采用CMAC神经网络对用户的行走习惯进行关联记忆和在线学习,并理解用户的行走意图.实验结果验证了所提方法的有效性,使助行机器人更加易于使用,提高了用户在使用过程中的舒适度.     

双足机器人跨越动态障碍物在线控制系统设计

在双足机器人跨越动态障碍物的在线控制问题中,脚步规划和步态控制的学习时间是关键问题;提出了一种将机器人的步态控制和脚步规划分别独立设计的控制策略;步态控制目的是产生关节点轨迹并控制对理想轨迹的跟踪,考虑到双足机器人关节点轨迹的不连续性,应用小脑模型连接控制CMAC记忆特征步态的关节点轨迹;脚步规划的控制目标是通过对环境的视觉感知预测机器人的运动路径,算法是基于无需对动态环境精确建模的模糊Q学习算法;仿真结果表明该控制策略的可行性,并且可以有效缩短在线学习时间。     

CMAC网络在机器人手眼系统位置控制中的应用

在机器人手眼系统位置控制中,用神经网络建立了机器人非线性视觉映射关系模型,实现了图像坐标到机器人坐标的变换。该模型采用了一种新的多维CMAC网络的处理方法———叠加处理法。实验表明,与BP网络相比,CMAC网络能以较高的精度和较快的速度完成手眼系统的坐标变换。     

一种基于小脑模型关节控制器评论-策略家的机器人跟踪控制算法

本文提出了一种基于小脑模型关节控制器(CMAC)的评论–策略家算法,设计不依赖模型的跟踪控制器,来解决机器人的跟踪问题.该跟踪控制器包含位置控制器和角度控制器,其输出分别为线速度和角速度.位置控制器由评价单元和策略单元组成,每个单元都采用CMAC算法,按改进δ学习规则在线调整权值.策略单元产生控制量;评判单元在线调整策略单元学习速率.以双轮驱动自主移动机器人为例,与固定学习速率CMAC做比较,仿真数据表明,基于CMAC的评论–策略家算法的跟踪控制器具有跟踪速度快,自适应能力强,配置参数范围宽,不依赖数学模型等特点.     

机械臂的CONN控制与CMAC控制的比较研究

由于正交神经网络算法简单，学习收敛速度快，具有线性、非线性逼近精度高等优异特性，取得了较好的应用效果，但在机器人动态建模与实时控制问题上研究较少。为此在机械臂的神经网络控制中，该文提出复合正交神经网络(CONN)与PID并行控制方法，并对小脑模型(CMAC)与PID并行控制作一比较研究。仿真结果表明，当阶跃输入与正弦输入时CONN与CMAC实现的前馈控制具有相同的控制效果，但CONN算法比CMAC算法更简单，这充分地体现了复合正交神经网络的特点。     

The Kernel Recursive Least Squares CMAC with Vector Eligibility

The cerebellar model articulation controller (CMAC) neural network is an associative memory that is biologically inspired by the cerebellum, which is found in the brains of animals. In recent works, the kernel recursive least squares CMAC (KRLS–CMAC) was proposed as a superior alternative to the standard CMAC as it converges faster and does not require tuning of a learning rate parameter. One improvement to the standard CMAC that has been discussed in the literature is eligibility, and vector eligibility. With vector eligibility the CMAC is able to control online motion control problems that it could not previously, stabilize the system much faster, and converge to a more intelligent solution. This paper integrates vector eligibility with the KRLS–CMAC and shows how the combination is advantageous through two simulated control experiments.     

基于改进的CMAC神经网络与PID并行控制的研究

提出一种改进的CMAC神经网络控制算法,利用满打满葬单元的先前学习次数作为可信度;将改进的CMAC与PID实现复合控制,由CMAC控制器实现前馈控制,PID控制实现反馈控制;仿真表明,改进算法的响应速度和精度有一定的改善。     

基于神经网络与PID控制的挠性结构的混合控制研究

利用CMAC神经网络与PID控制算法，提出了一种针对飞行器挠性结构振动的混合控制方法．首先在给出系统动力学方程的基础上，利用CMAC神经网络的具体特点，给出了神经网络算法；进而将PID控制算法引入控制系统，形成了一种混合控制方法，该方法具有CMAC神经网络与PID控制算法两者的优点．最后针对复杂的飞行器挠性结构振动问题进行了实例仿真，说明了算法的有效性．     

Self-Organizing CMAC Control for a Class of MIMO Uncertain Nonlinear Systems

This paper presents a self-organizing control system based on cerebellar model articulation controller (CMAC) for a class of multiple-input-multiple-output (MIMO) uncertain nonlinear systems. The proposed control system merges a CMAC and sliding-mode control (SMC), so the input space dimension of CMAC can be simplified. The structure of CMAC will be self-organized; that is, the layers of CMAC will grow or prune systematically and their receptive functions can be automatically adjusted. The control system consists of a self-organizing CMAC (SOCM) and a robust controller. SOCM containing a CMAC uncertainty observer is used as the principal controller and the robust controller is designed to dispel the effect of approximation error. The gradient-descent method is used to online tune the parameters of CMAC and the Lyapunov function is applied to guarantee the stability of the system. A simulation study of inverted double pendulums system and an experimental result of linear ultrasonic motor motion control show that favorable tracking performance can be achieved by using the proposed control system.     

Missile guidance law design using adaptive cerebellar model articulation controller

An adaptive cerebellar model articulation controller (CMAC) is proposed for command to line-of-sight (CLOS) missile guidance law design. In this design, the three-dimensional (3-D) CLOS guidance problem is formulated as a tracking problem of a time-varying nonlinear system. The adaptive CMAC control system is comprised of a CMAC and a compensation controller. The CMAC control is used to imitate a feedback linearization control law and the compensation controller is utilized to compensate the difference between the feedback linearization control law and the CMAC control. The online adaptive law is derived based on the Lyapunov stability theorem to learn the weights of receptive-field basis functions in CMAC control. In addition, in order to relax the requirement of approximation error bound, an estimation law is derived to estimate the error bound. Then the adaptive CMAC control system is designed to achieve satisfactory tracking performance. Simulation results for different engagement scenarios illustrate the validity of the proposed adaptive CMAC-based guidance law.     

基于RBF辨识的CMAC在淀粉生产线中的控制研究

针对淀粉生产线中淀粉乳罐的液位控制精度问题,本文在分析了CMAC神经网络、单神经元和RBF辨识工作原理的基础上,设计了基于RBF辨识的自适应CMAC神经网络控制器调节淀粉生产线中乳液的液位。对自适应CMAC神经网络和基于RBF辨识的CMAC两种控制器进行了设计与仿真。防真结果表明,基于BRF辨识的自适应CMAC具有更好的跟踪效果和较快的响应速度,该系统具有很大的应用价值,不仅可以应用于淀粉生产线而且也为工业控制提供了更为精确的控制。     

基于CMAC与PID复合控制的汽轮机功率控制系统

针对汽轮机功率调节过程的非线性特征,提出了将CMAC神经网络与常规PID控制相结合的方法,并将其应用于汽轮机功率控制中。该复合控制方法可以实现前馈与反馈的联合控制,其中前馈控制由CMAC神经网络实现,反馈控制由常规PID控制器实现。通过对比分析CMAC/PID复合控制与常规PID控制的仿真结果,可以看到在不同的扰动因素存在时,CMAC/PID复合控制均能取得较好的控制效果。     

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应+迭代学习控制算法的稳定性,并利用层迭CMAC网络的优良特性, 提出了基于层迭CMAC的标称自适应+迭代学习控制方法．此方法将标称自适应控制中确定的 模型信息与未知的信息分离,充分利用模型中确定的信息进行前馈控制;而对于未知信息, 则利用层迭CMAC进行自适应学习．仿真实验表明用本文所设计的控制系统对6 DOF并行机器 人进行轨线控制,可获得比以往的普通CMAC+PD控制系统更好的控制效果．     

Application of CMAC neural network to the control of induction motor drives

In this paper, a cerebellar-model-articulation-controller (CMAC) neural network (NN) based control system is developed for a speed-sensorless induction motor that is driven by a space-vector pulse-width modulation (SVPWM) inverter. By analyzing the CMAC NN structure and motor model in the stationary reference frame, the motor speed can be estimated through CMAC NN. The gradient-type learning algorithm is used to train the CMAC NN online in order to provide a real-time adaptive identification of the motor speed. The CMAC NN can be viewed as a speed estimator that produces the estimated speed to the speed control loop to accomplish the speed-sensorless vector control drive. The effectiveness of the proposed CMAC speed estimator is verified by experimental results in various conditions, and the performance of the proposed control system is compared with a new neural algorithm. Accurate tracking response and superior dynamic performance can be obtained due to the powerful online learning capability of the CMAC NN.     

Single-input CMAC control system

This paper attempts to propose a single-input cerebellar model articulation controller (CMAC) control system, which contains only one controller implemented by the CMAC. The single-input CMAC control system adopts two learning stages. An off-line learning stage is to enable the output behavior of the CMAC to approximate the control surface of a fuzzy PD-type controller. An on-line learning stage follows to improve the system stability by the modified learning rule. The linear interpolation scheme is also applied to the recall process at the on-line learning stage to ensure better accuracy of the CMAC output. Simulation results show that the single-input CMAC controller is superior to the fuzzy PD-type controller.