自适应模糊神经网络在炉温控制中的应用

针对复杂工业过程系统的特点,提出了一种自适应模糊神经网络控制器,这种控制器由模糊神经网络控制器(FNNC)和模型网络(MNN)组成,具有自适应学习能力.着重讨论了自适应模糊神经网络的混合学习算法,给出了适于非线形时滞电阻加热炉的控制方案.经仿真和加热炉温控实验表明,控制性能良好.     

基于神经网络的压电自感知主动控制仿真试验

由于传统的自感知电桥电路难以有效地实现自感知执行器传感与执行之间的信号分离,因此,提出了一种采用神经网络分离出压电自感知执行器传感信号的新方法,用神经网络直接估算结构的振动速度来得到振动控制时控制器的反馈信号.将嵌入在复合材料悬臂梁中的压电陶瓷片作为自感知执行器,采用基于Filter-X LMS算法的自适应滤波控制器对悬臂梁的振动进行主动控制.结果表明神经网络估算得到的振动速度和用传感器直接测得的完全吻合,将神经网络的输出作为控制器的反馈信号可以取得理想的减振效果.     

增益自适应滑模控制器在微型飞行器飞行姿态控制中的应用

针对微型飞行器的姿态角摄动引起的系统不确定性及外界干扰等问题,提出了基于区间二型模糊神经网络辨识的增益自适应模糊控制器.首先,给出了微型飞行器姿态动力学模型.然后,采用区间二型模糊神经网络对滑模控制器中由于姿态角摄动引起的系统不确定性进行在线辨识,通过增益自适应滑模控制器中的校正控制项对辨识误差及负载干扰进行补偿.最后,通过设计李亚普诺夫函数,得到闭环系统一致稳定条件下的区间二型模糊神经网络参数在线调整的自适应律及滑模增益自适应律.仿真对比表明,与传统的增益自适应滑模控制器和基于一型模糊神经网络辨识的滑模控制器及相比,本文提出的控制器不仅对系统的不确定性因素及外界干扰具有较强的鲁棒性,而且稳定误差小,跟踪精度高.     

三自由度直升机实验平台及姿态跟踪控制器设计

介绍了设计的三自由度直升机模型的系统构成,建立了系统的俯仰轴控制模型,并依此设计了俯仰轴的状态反馈跟踪控制器与神经网络自适应控制器。为实现设备的在线实时控制编写了基于VC的上位机软件用于控制设备、调试参数以及观察系统的姿态跟踪控制效果。基于Matlab将两种控制器仿真后在实验平台上验证并对比分析,实验结果表明,神经网络自适应控制器能更稳定更好地实现三自由度直升机的姿态跟踪控制。     

自适应神经模糊推理的四轮转向车辆转向控制研究

模糊规则的建立和隶属度函数的确定是设计模糊系统的难题。基于神经网络和模糊逻辑的自适应神经模糊推理系统,能够从仿真数据中自动提取出If-Then规则。并在Matlab/Simulink软件中,建立包含侧向运动、横摆运动、侧倾运动三个自由度的四轮转向车辆三自由度动力学模型。将得到的If-Then规则读取到模糊控制器中和三自由度车辆模型进行联合仿真。其中模糊控制器以方向盘转角、方向盘转角速度和车速作为输入,后轮转角作为输出。最后与前轮转向的车辆进行转向盘角阶跃仿真对比。仿真分析结果表明:基于自适应神经模糊推理系统建立的后轮转角模糊控制器能够实现理想的质心侧偏角和车辆横摆角速度响应,提高了车辆的操纵稳定性。     

基于DRNN的某交流伺服系统控制研究

某火箭炮交流位置伺服系统存在非线性、强耦合、时变性,传统控制难以取得很好的控制效果,为此提出了基于对角递归神经网络(DRNN)的模型参考自适应控制,设计了对角递归神经网络辨识器与控制器,并引入了动量因子和自适应学习因子,提高了自适应控制器的稳定性和响应速度,仿真结果表明该控制器具有精度高,响应快,鲁棒性好的特点。     

基于神经网络的通用模型自适应控制

应用复合正交神经网络来实现过程的自适应逆控制方法,和通用模型控制器策略相结合,提出了一种基于神经网络的通用模型自适应控制方法,将非线性过程模型应用逆系统的方法可以在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性.另一方面,在自适应逆控制中采用复合正交神经网络具有算法简单、学习收敛速度快等优点,可以克服常用的BP和RBF神经网络一些缺点.基于神经网络的通用模型自适应控制方法中的参考轨迹是一条典型的二阶曲线,该控制器参数具有明显的物理意义,参数整定方便.仿真验证了该控制策略的有效性.     

柔性和摩擦力不确定条件下RBF神经网络自适应轨迹跟踪方法

提出一种基于径向基神经网络(Radial basis function, RBF)的力/位置混合自适应控制方法并用于机器人轨迹跟踪控制,解决机器人柔性末端执行器轨迹跟踪过程中柔性和摩擦力模型难以精确描述的问题。RBF神经网络是一种高效的前馈式神经网络,具有其他前向网络所不具有的非线性逼近性能和全局最优特性,并且网络结构简单,训练速度快。设计一种基于RBF神经网络非线性逼近能力来估计模型中的不确定参数的自适应控制器,给出控制器中神经网络权值更新规则,并证明所设计控制器输出力和位置误差的最终一致有界性。将该控制器应用于风管清扫机器人仿真试验,结果表明该自适应控制器能很好地用于柔性和摩擦力不确定条件下轨迹跟踪控制,与传统自适应控制方法相比具有更精确的跟踪特性和更强的鲁棒性。     

车辆AFS模糊神经网络系统稳定性控制研究

针对车辆主动前轮转向系统(AFS)日趋先进的稳定性控制需求,研究了基于相对模糊控制具有更强自适应性与鲁棒性的模糊神经网络理论控制方法,采用附加前轮转角闭环控制策略,设计了自适应模糊神经网络控制器。并且针对目前车辆AFS稳定性控制研究缺少同时考虑AFS变传动比功能的问题,设计了固定横摆角速度增益下的变传动比规律。在Matlab/Simulink与Carsim搭建的主动前轮转向车辆模型上,采用典型与复杂两种工况对控制方法进行验证。结果表明:基于模糊神经网络控制的AFS控制方法相对模糊控制、无控制可以在车辆转向行驶时更好地提高车辆操纵稳定性,且对复杂工况有很好的鲁棒性。     

智能汽车避障路径规划与跟踪控制研究

为了提高智能汽车行驶安全性,提出了基于人工水滴算法的避障路径规划和自适应路径跟踪控制方法.在路径规划方面,模拟水往低处流过程,提出了基于人工水滴算法的路径规划方法,经验证,人工水滴算法在动静态环境下都能够规划出避障路径.在路径跟踪方面,设计了转向控制与速度自适应控制的综合控制器;基于车辆线性二自由度模型,提出了模型预测转向控制;结合预瞄模型和二次规划方法,提出了速度随行驶路况自适应控制方法.经绕桩实验验证,本文提出的综合控制方法最大横向跟踪误差为0.1m,文献[11]提出的控制方法最大横向误差为0.6m,是本文方法的6倍,说明了综合控制器在路径跟踪控制中的精确性,且综合控制器的横摆角速度、侧向加速度均在约束范围内,满足国家标准对车辆的安全性要求.