基于模糊神经网络水下机器人直接自适应控制

提出了基于广义动态模糊神经网络的水下机器人直接自适应控制方法, 该控制方法既不需要预先知道模糊神经结构, 也不需要预先的训练阶段, 完全通过在线自适应学习算法构建水下机器人的逆动力学模型. 首先, 本文提出了基于这种网络结构的水下机器人直接自适应控制器, 然后, 利用 Lyapunov 稳定理论, 证明了基于该控制器的水下机器人控制系统闭环稳定性, 最后, 采用某水下机器人模型仿真验证了该控制方法的有效性.     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

基于模糊神经网络的冗余度变几何桁架机器人自适应控制

本文提出了一种基于模糊神经网络（FNN）的机器人位置自适应控制方法．利用模糊 神经网络模型来辨识冗余度变几何桁架机器人的逆动力学模型,用常规反馈控制器完成外部 干扰的补偿和闭环控制．并以四重四面体变几何桁架机器人为例进行仿真计算,表明该控制 方法具有良好的轨迹跟踪精度和抗干扰能力．     

基于模糊CMAC神经网络的并联机器人自适应力控制研究

本文介绍了一种基于Takagi型模糊推理方法的模糊C MAC神经网络,分析了其学习算法,设计出基于这种模糊神经网络的并联机器人自适应力控 制器,并进行了仿真和实验研究,证明所设计的控制器是可行和有效的．     

基于神经网络补偿的机器人稳定自适应控制

针对建模不精确的机器人,提出了一种基于神经网络补偿的机器人轨迹跟踪稳定自适应控制方法,文中通过设计神经网络补偿器和自适应鲁棒控制项,有效地补偿了模型的不确定性部分和网络逼近误差.由于算法包含有补偿神经网络逼近误差的鲁棒控制项,实际应用中对神经网络规模的要求可以降低;而且神经网络连接权是在线调整的,不需要离线学习过程.理论表明算法能够保证跟踪误差及神经网络连接权估计最终一致有界,仿真结果也验证了算法的有效性.     

基于模糊神经网络的模型参考自适应控制

用模糊神经网络作为控制器,依靠参考模型产生理想的控制系统闭环响应,从而随时得到控制系统的输出误差.用梯度法实时修正模糊控制器的输入和输出隶属度参数,得到一种在线模糊自适应控制的新方法.通过倒立摆的仿真实验表明,该方法是可行的并能适应对象特性的大范围变化.     

基于模糊神经网络的积分自适应控制

将模糊神经网络应用于传统线性积分自适应控制,构造了一类模糊神经自适应方法,用于消除非线性系统响应偏差.模糊神经网构成直接非线性自适应控制器.对线性及非线性对象的仿真控制以及与经典自适应控制的比较,表明了模糊神经自适应控制器的有效性.     

6—DOF液压并联机器人运动轨迹自适应控制

本文为6－DOF液压并联机器人提出了一种从参考模型取状态设计的运动轨迹MARCS，该系统不仅解决了机器人二阶以上运动状态难于测量的控制，而且增加了系统抗噪声干扰的能力。     

并联机器人的鲁棒自适应控制

本文针对含有不确定性的液压并联机器人，提出了一种鲁棒自适应控制器，该控制器能够克服参数变化和负载扰动的不良影响，保证系统的鲁棒全局渐近稳定性的良好的踊跃动态性能，计算机仿真结果证明了该控制方案的有效性。     

水下机器人的神经网络自适应控制

研究了水下机器人神经网络直接自适应控制方法,采用Lyapunov稳定性理论,证明了存在有界外界干扰和有界神经网络逼近误差条件下,水下机器人控制系统的跟踪误差一致稳定有界.为了进一步验证该水控制方法的正确性和稳定性,利用水下机器人实验平台进行了动力定位实验、单自由度跟踪实验和水平面跟踪实验等验证实验.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素,而难以建立精确的数学模型的情况,提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器,模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点,该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明,该方案可以实现模糊控制和神经网络的优势互补,对不确定非线性系统具有很好的控制效果。     

基于神经网络的不确定机器人自适应滑模控制

提出一种机器人轨迹跟踪的自适应神经滑模控制。该控制方案将神经网络的非线性映射能力与变结构控制理论相结合,利用RBF网络自适应学习系统不确定性的未知上界,神经网络的输出用于自适应修正控制律的切换增益。这种新型控制器能保证机械手位置和速度跟踪误差渐近收敛于零。仿真结果表明了该方案的有效性。     

自适应模糊神经网络控制系统的研究

自适应模糊神经网络控制器是由模糊控制和神经网络相结合构成,它不依赖被控对象的数学模型,并能自动产生模糊控制规则,又具有良好的自适应性,是目前受人们关注的课题。本文在对其分析的基础上又提出了卡尔曼滤波的学习算法,解决了原BP算法实时性差的问题,通过仿真实验说明了其优越性,并体现了模糊神经网络与最优控制相结合的思想。     

一种基于模糊逻辑神经网络的自适应控制及其应用

本文提出了一种模糊逻辑神经网络自适应控制器．这种控制器由一个模糊高斯神经网络和一个多层神经网络组成．它具有自适应和学习能力．计算机仿真和实际的伺服直流电机调速实验的结果表明本文提出的这种控制器是切实可行的，其系统响应和鲁棒性优于常规的Ｆｕｚｚｙ控制．     

基于神经网络的模糊自适应PID控制方法

提出一种基于BP神经网络的模糊自适应PID控制器。该控制器综合模糊控制、神经网络与PID调节各自的优点，既具有模糊控制的简单和有效的非线性控制作用，又具有神经网络的学习和适应能力，同时具备PID控制的广泛适应性，仿真实验表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

一种基于BP神经网络模型的自适应PID控制算法

本文应用神经网络建寺了系统参数模型,将线性系统时变参数的变化规律转化为神经网络参数模型,反映了参数随状态而变的规律;再结合文献[4]已知模型FPID控制参数的计算,推导出一种更具有应用性的白适应PID控制算法。通过在计算机上对非线性系统仿真,结果表明了这种白适应PID控制算法的有效性。     

A Neural Network Adaptive Controller for End-effector Tracking of Redundant Robot Manipulators

In this paper we propose a neural network adaptive controller to achieve end-effector tracking of redundant robot manipulators. The controller is designed in Cartesian space to overcome the problem of motion planning which is closely related to the inverse kinematics problem. The unknown model of the system is approximated by a decomposed structure neural network. Each neural network approximates a separate element of the dynamical model. These approximations are used to derive an adaptive stable control law. The parameter adaptation algorithm is derived from the stability study of the closed loop system using Lyapunov approach with intrinsic properties of robot manipulators. Two control strategies are considered. First, the aim of the controller is to achieve good tracking of the end-effector regardless the robot configurations. Second, the controller is improved using augmented space strategy to ensure minimum displacements of the joint positions of the robot. Simulation examples are also presented to verify the effectiveness of the proposed approach.     

基于RBF神经网络的机械臂自适应控制方法

针对机械臂受内部摩擦和时变扰动等不确定性因素的影响,其轨迹跟踪控制系统的跟踪精度会下降,且影响系统的稳定性,提出一种基于径向基函数神经网络的自适应控制方法。首先,利用RBF神经网络采用离线训练和在线学习的方式对机械臂的动力学模型进行辨识;其次针对机械臂控制系统中的摩擦,设计RBF神经网络自适应控制算法对其进行逼近得到补偿控制量。针对时变扰动和神经网络逼近误差设计鲁棒项,以克服众多不确定性因素带来的影响,同时通过构造李亚普诺夫函数对所设计的控制系统进行稳定性分析;最后,仿真实验结果证明提出的控制方法具有较高的跟踪精度、抗干扰能力和较强的鲁棒性。     

柔索驱动并联机构的二型模糊神经逆控制

由于建立精确数学模型的困难以及控制过程中各种不确定性的存在, 柔索驱动并联机构的水平调节具有一定的难度. 针对该问题, 提出了一种基于二型模糊神经网络的逆控制方案. 该控制方案中的二型模糊神经网络实现了对水平调节过程逆动态的逼近以及对各种不确定性的处理. 采用迭代最小二乘算法对二型模糊神经网络区间权重进行了优化. 最后, 将基于二型模糊神经网络的逆控制方案在实际的控制对象上进行了实验, 并与其相对应的基于一型模糊神经网络的逆控制方案进行了比较. 实验结果表明所提出的控制方案是有效的且采用二型模糊神经网络时能获得更好的控制效果.     

一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。