基于神经网络旋转二级倒立摆系统的预测控制

针对倒立摆的研究,提出了一种应用神经网络和预测控制相结合的算法,用于控制旋转二级倒立摆系统.为了提高跟踪精度和快速性,可以把线性控制的条件作为非线性最优控制性能指标的约束条件,并将一种新型的非线性混沌映射引入到神经网络的参数学习算法中实现其权值调节,以逐步建立被控对象合理的多步预测模型.仿真结果表明,神经网络预测控制算法具有响应速度快、控制效果好和跟踪精度高等特点.可使非线性系统的预测问题得到较好的解决.     

用进化RBF神经网络控制二级倒立摆

提出了一种应用ＲＢＦ神经网络和遗传算法相结合的控制算法,用于控制二级倒立摆系统,这种方法把线性控制系统的条件作为非线性最优控制性能指标的约束条件,用改进的遗传算法求解使性能指标最小的ＲＢＦＮＮ控制器参数。仿真结果表明,该方案优于传统的状态反馈方法和模糊控制方法,具有更大的稳定域,抗干扰能力更强。     

进化神经网络在倒立摆控制中的应用

倒立摆作为典型的非线性系统，伴随着多变量、快速运动和绝对不稳定的特征，难于建立精确的数学模型，这就使得对倒立摆的控制变得异常困难和复杂。智能控制理论则是解决此问题的一个有效途径，该文针对倒立摆控制的传统神经网络算法（即BP算法）的缺点，将遗传算法与神经网络结合起来，提出了倒立摆的进化神经网络控制方法。控制器在结构上采用神经网络，利用遗传算法优化神经网络的连接权值。实验研究表明，该控制器不仅具有良好的动态和稳态控制性能，而且对于干扰也具有很强的抑制能力。同时还具备结构简单，易于实现的优点。     

模糊控制在二级倒立摆中的应用

本文推导了二级倒立摆的数学模型，研究了它的控制方法。本文引入了综合误差和综合误差变化率的概念，大大的减少了模糊控制器的输入变量，从而减少了模糊控制器的控制规则，使控制器的控制规则更简单、有效。     

二级倒立摆的状态变量合成模糊神经网络控制

为解决模糊神经网络在控制多变量系统时的规则组合爆炸问题，提出用状态变量合成模糊神经网络控制二级倒立摆。该方法既能解决具有快速、强非线性、绝对不稳定系统的控制问题，又能对状态变量可摈性质和类型分类的多变量系统，大大减少模糊神经网络控制器的规则数，有利于利用专家的控制经验。实验结果证实了该方法的控制效果好，鲁棒性强。     

倒立摆对象的预测函数控制

基于预测函数控制的诸多优点,希望能将其应用于复杂的非线性不稳定高阶系统,研究了该算法在倒立摆系统中的初步应用。在简要介绍了预测函数控制基本算法的基础上,通过仿真和实例说明了单纯PFC算法不能镇定相对简单的一级倒立摆系统,而采用单纯的PID算法往往不能获得期望的控制性能,故提出了PFC-PID串级控制。先用PID内环镇定倒立摆系统,外环再用PFC算法优化控制性能。最后通过仿真和实例验证了该串级算法具有良好的控制性能。     

二级倒立摆控制器设计及稳定性研究

在二级倒立摆控制器优化设计的研究中,由于二级倒立摆系统是一种复杂多变量、强耦合的不稳定系统,较难达到稳定平衡状态,首先要建立模型,之后才能够进行系统仿真与实际控制实验.由于系统对控制器性能要求较高,因此选用遗传算法训练的小波神经网络控制器,并针对遗传算法仍然存在的收敛速度慢,泛化性能差,可能陷入“早熟”等许多问题,对算法加以改进.将采用罚函数为基础的小生境技术引进到遗传算法中;并根据个体适应度来改进交叉概率.在仿真与实物控制实验中,控制器能够实现二级倒立摆系统的稳定控制,且抗干扰能力、系统平衡恢复速度优良,验证了设计的二级倒立摆控制器的有效性.     

基于模糊神经网络的倒立摆控制系统

在分析模糊控制、神经网络控制的基础上,根据倒立摆的特点,提出了模糊神经网络的控制结构。使用了遗传算法和BP算法相结合的方式来优化模糊神经网络,并以固高公司的倒立摆做实验,对实验结果进行了深入的研究和分析。     

三级倒立摆的加权变量模糊神经网络控制

为了提高三级倒立摆系统控制的响应速度和稳定性,在设计Mamdani型摸糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比,表明该Sugeno型模糊神经网络控制器对三级倒立摆系统的控制具有良好的稳定性和快速性,以及较高的控制精度。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器。该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练,能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则。通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器对二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度。     

基于Backstepping的倒立摆鲁棒跟踪控制

针对内部参数不确定及存在外部干扰的非线性倒立摆系统,提出了基于Backstepping方法的滑模变结构控制律,并且采用RBF神经网络逼近系统不确定非线性函数,同时引入滑模误差对其神经网络权值进行在线自适应调整,使神经网络的逼近速度加快,改善了动态性能.该控制律能保证倒立撰轨迹跟踪误差的快速收敛性以及对外部扰动和内部参数不确定的不敏感性,最后给出的仿真实例证明了该理论分析结果的正确性,控制效果良好.     

倒立摆系统稳定控制之研究

多级倒立摆系统作为一个典型的非线性、多变量、高阶次、强耦合和自然不稳定的复杂被控系统,一直是人们检验、比较各种控制理论和方法的理想实验平台,半个多世纪以来,国内外许多机构对它进行了广泛的研究,积累了丰富的资料。这里对多级倒立摆稳定控制的研究现状进行总结,探讨了它的发展趋势。目前主要的控制方法有线性控制、预测控制和智能控制三类,智能控制是当前研究的主流,它包括模糊控制、拟人控制、计算智能控制、云模型控制等。继续深入研究各种智能控制方法及其组合应用是今后的发展方向。     

基于一种生长型神经网络的倒立摆控制

针对倒立摆这样的典型控制问题,提出了一种在结构与规模上可生长的神经网络控制方案。网络利用细胞生长结构算法的生长机制,在工作域中实现对刺激信号的自组织模式分类,并可通过新神经元的插入,实现网络规模的生长演化。在输出域中针对控制任务采用强化Hebb学习机制,实现不同的神经元以最佳方式响应不同性质的信号刺激。最后进行了倒立摆的自学习控制的仿真实验,表明在自治地与环境的交互作用中,通过神经网络自身的发育,该方案有效地控制了倒立摆系统。     

基于强化学习的二级倒立摆控制

在模型未知和没有先验经验的条件下，采用一种改进的强化学习算法实现二级倒立摆系统的平衡控制。该学习算法不需要预测和辨识模型，能通过网络自身的联想和记忆，在线寻求最优策略。该学习算法采用基于神经网络的值函数逼近，并用直接梯度和适合度轨迹修正权值，有效实现对连续状态和行为空间任务的控制。计算机仿真证明了该强化学习算法在较短的时间内即可成功地学会控制直线二级倒立摆系统。     

免疫优化神经网络对倒立摆的控制

人工免疫算法是基于生物免疫系统机理和特点发展而来的一种新型智能算法。针对BP神经网络传统训练算法的学习效率低、收敛速度慢且容易陷入局部最优等不足,采用免疫算法对BP神经网络权值进行优化,以实现对倒立摆的控制。实验结果表明,用免疫算法训练神经网络收敛速度快,并能有效避免陷入局部最优。优化后的神经网络能对实际的倒立摆装置进行控制,并取得了满意的效果。     

二级倒立摆的Sugeno型模糊神经网络控制

为了提高二级倒立摆系统实时控制的响应速度和稳定性,在设计Mamdani型模糊推理规则控制器控制倒立摆系统稳定的基础上,设计了一种更有效率的基于Sugeno型模糊推理规则的模糊神经网络控制器.该控制器使用BP神经网络和最小二乘法的混合算法进行参数训练.能够准确归纳输入输出量的模糊隶属度函数和模糊逻辑规则.通过与Mamdani型控制器的仿真对比及实际控制实验结果,表明该Sugeno型模糊神经网络控制器时二级倒立摆实验装置的控制具有良好的稳定性、快速性和较高的控制精度.     

切换控制在倒立摆系统摆起和镇定中的应用

本文针对一级直线型倒立摆对象,基于非线性共振原理和线性二次型最优状态反馈控制,提出了一种基于状态的切换控制策略,实现了倒立摆的快速摆起和镇定。最后通过仿真实验表明,本文提出的方法对一级直线型倒立摆系统的摆起和镇定具有较好效果。