基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

一类滞环非线性时滞系统的神经网络动态面控制方法

滞环特性作为一种非线性特性广泛存在于微机械精密加工、机电伺服等系统中,严重影响着系统的性能;与滞环现象类似,时滞现象也严重影响着系统的准确性.本文针对状态变量全部可测的一类滞环非线性时滞系统,提出了基于RBF神经网络逼近的动态面的控制方法,大大简化了控制器的设计过程;通过RBF神经网络估计未知时滞函数,可以在时滞函数完全未知的情况下设计控制器;稳定性分析表明,控制方案可以保证闭环系统稳定并且通过参数的选取,可以使跟踪误差任意小;最后,通过仿真证明了方法的有效性.     

RBF神经网络整定的模糊控制在二次调节控制系统中的应用

为了克服实际控制系统中存在的非线性和参数时变性所引起的常规控制器控制性能恶化，提出了一种新的控制方法——基于RBF神经网络整定的模糊控制，并在文中给出了具体算法，该控制方法以无量化解析模糊控制为主体，采用RBF神经网络对控制对象进行辨识，然后利用辨识所得到的Jacobian信息在某一给定的控制性能指标下对控制参数进行在线调整，将其应用于二次调节控制系统，并对系统进行了仿真，系统采用不同控制器的仿真典线表明：基于RBF神经网络整定的模糊控制具有更好的控制性能。     

在线学习自适应模糊控制器在水轮机调节中的应用

针对水轮发电机组系统具有时变非线性,传统的控制方法很难达到最优控制的特性,提出采用基于RBF神经网络和遗传算法的自适应模糊控制器来控制水轮发电机组运行.模糊控制器的比例因子、模糊推理规则和隶属函数由遗传算法在线寻优.由RBF神经网络进行被控对象的动态特性模型辨识,以评价模糊控制器控制性能.仿真实验表明,控制效果良好,特别在变工况和扰动情况下优于最优PID控制.     

基于神经网络的自适应控制器在CSTR中的应用研究

针对工业过程的特点和控制要求，提出一种基于多步预测的神经网络自适应控制算法。该控制器采用改进的RBF神经网络对过程进行建模，利用多步预测误差对神经网络控制器进行训练，从而实现控制器参数的在线自适应寻优。针对CSTR系统的仿真结果表明，该控制器对非线性、时变对象有很好的跟踪控制效果和鲁棒性。     

基于动态径向基函数神经网络的多变量解耦控制

为提高工业控制领域中多变量、非线性、强耦合系统的解耦能力和动态特性，基于聚类结合算法和神经网络原理，提出了一种改进的基于动态径向基函数（RBF）神经网络的多变量解耦控制方法.采用聚类结合算法优化动态RBF神经网络，更好地描述了控制对象的动态行为，获得了PID参数在线调整信息，实现了多变量非线性系统的解耦控制.仿真结果表明，与基于常规RBF神经网络的PID控制方法相比，该方法具有更高的控制精度、更快的系统响应以及更好的适应性和鲁棒性，是解决多变量、非线性和强耦合问题的一种简便、有效的控制算法.     

定量称重包装系统RBF神经网络PID控制研究

针对定量称重包装系统具有惯性、滞后、非线性时变且无法建立精确模型等特点,分析物料动态称量响应过程的动态特性及影响定量称重包装精度的相关因素和误差来源,提出1种基于RBF神经网络PID的定量称重包装控制策略。利用具有任意非线性表达能力及较强自学习能力的RBF神经网络寻求最佳的PID参数,并通过Matlab仿真验证控制策略的有效性。结果表明,与传统的PID控制相比,RBF神经网络PID控制策略具有较强的抗干扰能力,可显著改善定量称重包装系统的控制效果。     

基于RBF神经网络的非线性模型预测控制

提出了一种基于径向基函数(RBF)神经网络的非线性模型预测控制系统,利用RBF神经网络的非线性拟合性,构建一个神经网络预测器(NNP)来预测模型未来时刻的输出值.然后利用神经网络控制器(NNC)实现基于模型的预测控制.仿真结果表明此方法具有较好的控制效果,并且在有扰动和模型失配的情况下,表现了良好的鲁棒性.     

一类非线性MIMO系统鲁棒自适应神经网络DSC设计

为了研究一类多输入多输出强非线性系统的自适应跟踪问题,采用RBF神经网络逼近模型不确定性,外界干扰和建模误差采用非线性阻尼项进行补偿,并将动态面控制与Nussbaum增益技术结合,提出了一种鲁棒自适应神经网络跟踪控制算法.该算法不仅能够解决系统中控制方向完全未知问题和可能存在的控制器奇异值问题,而且能够避免传统后推方法的计算膨胀问题,从而大大降低了控制器的复杂性,使之易于工程实现.同时,该算法保证了闭环系统的稳定性,并具有良好的鲁棒性.仿真结果验证了控制器的有效性.     

基于动态反馈的AUV水平面路径跟踪控制

针对离散自治水下机器人水平面的路径跟踪控制问题,利用水下机器人的位置和姿态角量测信息,提出神经网络自适应输出反馈控制器.所设计的控制器包括3部分,镇定水下机器人动态系统线性部分的动态反馈控制器;神经网络控制器,用来补偿水下机器人受到环境干扰引起的水动力系数变化的不确定非线性结构;补偿环境扰动和神经网络带来的重构误差的鲁棒控制器.基于离散非线性系统理论,对水下机器人水平面跟踪误差系统进行分析,得到系统的跟踪误差最终一致有界.所提出的控制方法具有对模型精确度要求低的优点,利用INFANTE水下机器人模型进行仿真分析验证了提出的控制算法的有效性.     

一种基于神经网络识别差动态特性的自适应模糊控制器

在神经网络与模糊控制相结合的基础上,设计了一种基于神经网络识别误差动态特性的自适应模糊控制器,该控制器基于误差知识的控制,从系统误差的动态过程观点描述了误差特性,采用了神经网络实现误差知识的自适应获取。仿真结果表明,其控制性能明显优于普通的模糊控制器。     

基于Tchebycheff正交神经网络的非线性多步预测控制

针对多变量非线性系统 ,提出了一种基于 Tchebycheff正交神经网络的多步预测控制方案 ,采用 Tchebycheff正交神经网络离线建立预测模型 ,并以偏差补偿和模型修正相结合的方式对预测模型进行误差补偿 ,经在线校正用于预测控制。同时对性能指标中的偏差项和控制项加权 ,进一步改善预测控制性能。仿真结果表明了控制算法的有效性     

Adaptive control of machining process based on extended entropy square error and wavelet neural network

Combining information entropy and wavelet analysis with neural network,an adaptive control system and an adaptive control algorithm are presented for machining process based on extended entropy square error(EESE)and wavelet neural network(WNN).Extended entropy square error function is defined and its availability is proved theoretically.Replacing the mean square error criterion of BP algorithm with the EESE criterion,the proposed system is then applied to the on-line control of the cutting force with variable cutting parameters by searching adaptively wavelet base function and self adjusting scaling parameter,translating parameter of the wavelet and neural network weights.Simulation results show that the designed system is of fast response,non-overshoot and it is more effective than the conventional adaptive control of machining process based on the neural network.The suggested algorithm can adaptively adjust the feed rate on-line till achieving a constant cutting force approaching the reference force in varied cutting conditions,thus improving the machining efficiency and protecting the tool.     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

噪声有源控制的模糊神经网络方法

使用Filter-X算法研究有源噪声控制问题，存在需要较高阶次的滤波器和当主噪声路径是非线性时控制效果不佳的缺陷，为此提出了一种基于模糊神经网络的非线性噪声有源自适应控制方法，并给出了一种基于误差梯度下降的学习算法，一个非线性的仿真例子表明，模糊神经网络控制方法对于非线性噪声控制效果明显。     

基于LSTM与牛顿迭代的两轴系统轮廓误差控制

针对轮廓误差影响运动系统精度的问题,提出结合长短期记忆神经网络(LSTM)和牛顿迭代法对轮廓误差进行预测、通过转换任务坐标系对轮廓误差进行补偿的方法.在运动平台上提取特征轮廓与数据,将牛顿迭代法应用于对轮廓误差的计算,通过计算出的轮廓误差对优化后的LSTM神经网络进行训练,建立更准确的轮廓误差预测模型.通过转换任务坐标系,将预测的轮廓误差作为前馈补偿到参考轮廓中,提高轮廓控制性能.通过试验对比PID、迭代法和神经网络法,利用随机NRBUS轨迹验证泛化性,表明提出的方法能够有效地预测并控制轮廓误差,在精密运动控制领域有良好的应用前景.     

基于启发式学习算法的空间柔性机械臂神经网络控制

针对非线性强耦合的空间漂浮基柔性机器人,提出了一种启发式学习算法的神经网络的前馈控制策略。首先通过拉格朗日法和假设模态方法建立了漂浮基柔性空间机器人的动力学模型,然后采用两个神经网络及一个PID控制器来构建前馈在线学习控制系统,其中一个神经网络充当前馈控制器,另一个神经网络通过学习逆动态模型来为前馈控制器提供在线学习参数,而PID控制器主要作为辅助补偿控制器。该控制策略不是在PID控制器的指导下进行学习,且无需预先的离线学习,因而学习精度更高,且减少了对学习样本选择不当的影响,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整的算法来实现快速学习能力,具有较好的实时性。仿真结果证明了所提方案的有效性。     

挠性航天器预设性能自适应姿态跟踪控制

为研究存在外界干扰及未建模动态的挠性航天器姿态跟踪问题,提出了一种基于预设性能方法的自适应姿态跟踪控制策略.预设性能方法利用性能函数和一种误差变换方式,将系统的跟踪误差限制在预先设定的约束范围内,以保证系统响应具有期望的超调、收敛速度以及稳态误差.采用径向基函数(RBF)神经网络来处理由干扰和附件挠性振荡产生的模型未知动态.考虑到存在未知的神经网络逼近误差,为减小控制参数选取的保守性,进一步对逼近误差的上界进行自适应估计.结合权值和逼近误差上界的自适应律,设计了预设性能自适应姿态跟踪控制器.仿真结果表明,使用本方法可以有效补偿干扰及挠性振动所产生的影响,同时使姿态控制系统获得快速平稳的动态过程和给定的稳态跟踪精度.与未采用预设性能的方法相比,所提出的方法在收敛速度、跟踪精度与振荡抑制效果等方面均具有较明显的优势,并且对控制器参数选取的依赖性更低.     

基于模糊—神经融合的自适应模糊控制系统研究

模糊逻辑系统与人工神经网络各具优势,前者善于利用专家语言信息,后者有强大的学习能力,两者的结合可以取长补短。基于模糊逻辑系统与神经网络技术提出一种自适应模糊控制系统,其特点是模糊控制器具有多层前向网络结构。基于一种近最优的性能指标导出其参数自适应的误差反向传播算法。为了克服传统算法收敛慢的缺点,提出用模糊逻辑来调整学习过程的方法。通过倒立摆平衡控制仿真研究验证了所提出的自适应模糊控制系统及其快速学     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.