非线性倒立摆的BP神经网络系统辨识

基于BP神经网络能以任意精度逼近任何非线性连续函数的原理。通过在MATLAB环境下,对典型的不稳定、非线性、强耦合的倒立摆系统建立了BP神经网络辨识结构,并对辨识结果进行了分析。结果表明BP神经网络对非线性倒立摆模型的辨识是有效的。     

基于模糊神经网络的倒立摆非线性系统分析

倒立摆系统以其自身的不稳定性而难以控制,也因此成为自动控制实验中验证控制策略优劣的极好的实验装置;针对倒立摆系统的平衡控制问题,提出了用一种应用神经网络来控制倒立摆的方法,同时由于神经元网络的训练的反复性,因此在系统中加入一个模糊控制器,来对神经网络输出的控制变量进行补偿,使神经元网络训练的权值能够始终保持在某一稳定值,从而保证了控制器稳定,仿真实验结果表明采用该方法设计的并联型模糊神经网络控制器对倒立摆这一先天不稳定的系统具有理想的控制效果。     

倒立摆计算机控制系统

倒立摆控制系统在科研和数学中具有非常重要的地位，为适应今科技的发展及教学需要，我们设计出主从式结构的倒立摆计算机控制系统，在系统硬件设计上，采用了集成化方法，计算机系统通讯符合BITBUS总线规范，软件设计采用多任务方式，使系统具有功能强，标准化，可靠性高及使用灵活动等特点。     

基于非线性控制方法的倒立摆系统控制

应用非线性系统跟踪控制方法对倒立摆系统的控制进行研究.基于非线性系统控制方法对倒立摆系统摆的镇定问题、台车位置调节问题和鲁棒控制问题设计出了具体的控制器.最后给出了在所设计的各种控制器作用下系统的仿真结果,结果表明所设计的控制器对倒立摆系统的稳定控制具有良好的效果.     

RBF-ARX模型在倒立摆系统建模中的应用

针对直线一级倒立摆控制系统的非线性特性,采用RBF-ARX模型对倒立摆系统的全局非线性动态特性进行建模.讨论了RBF-ARX模型结构的选取,模型参数辨识,RBF参数优化等问题.并且分别比较了该倒立摆系统的RBF-ARX模型与全局线性ARX模型,以及将RBF-ARX在某一工作点局部线性化后的模型与局部线性ARX模型的预测输出和模型误差,验证了RBF-ARX模型在倒立摆系统建模和辨识中的有效性.     

一种基于非线性滤波的倒立摆控制方法研究

对于倒立摆这样的强非线性系统,采用传统的BP算法存在着收敛速度慢、易陷入局部极小值的缺陷,而采用卡尔曼滤波方法则会带来很大的模型误差。为了解决上述问题,提出了基于粒子滤波优化神经网络的方法。首先建立了倒立摆神经网络控制器的物理模型并将模型粒子化,而后用粒子滤波算法对粒子进行优化估计,将估计结果作为网络的权值应用到倒立摆控制中,采用离线训练方式,仿真比较了卡尔曼滤波和粒子滤波两种方法控制效果,结果表明,新算法较卡尔曼滤波方法在控制性能上有明显提高。     

倒立摆系统概述

首先,本文阐述倒立摆的国内外发展现状并介绍倒立摆的自动起摆和稳定控制方法.其次,对倒立摆的稳定控制方法进行比较.最后,对倒立摆控制算法今后的发展趋势做进一步预测.     

非线性系统的神经网络辨识和控制方法

1引言 在Wiener开创控制论的伊始,就将控制、信息和神经科学作为一个共同的课题。后,控制学科、计算科学和神经生理学趋于分开发展。自从80年代初期以来,神经网络有了长的进步,在人工智能和     

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。     

非线性倒立摆系统的起摆和稳摆控制

介绍了基于数字信号处理器(DSP)控制直线型倒立摆系统的总体结构和工作原理,通过智能控制算法实现倒立摆的起摆控制。当摆杆的角度进入稳定区域时,通过线性二次型调节器(LQR)控制算法使摆杆稳定,并建立了电机电压与输出力矩之间的简单对应关系。实验表明,系统的稳定性好,抗干扰力强,而且采用DSP控制,有利于系统的小型化。     

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.     

An Examination of Qubit Neural Network in Controlling an Inverted Pendulum

The Qubit neuron model is a new non-standard computing scheme that has been found by simulations to have efficient processing abilities. In this paper we investigate the usefulness of the model for a non linear kinetic control application of an inverted pendulum on a cart. Simulations show that a neural network based on Qubit neurons would swing up and stabilize the pendulum, yet it also requires a shorter range over which the cart moves as compared to a conventional neural network model.     

状态变量合成三级倒立摆模糊神经网络控制

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,提出了用状态变量合成模糊神经网络控制三级倒立摆的方法。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,又能适用对状态变量可按性质和类型分类的多变量系统的控制,大大减少了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。     

单级倒立摆反馈线性化控制仿真

本文以单级倒立摆为控制对象,介绍了反馈线性化的基本原理,设计神经网络控制器对消系统的非线性,实现对单级倒立摆的反馈线性化控制。并通过MATLAB软件进行仿真实验,结果表明了该方法的有效性。     

四级倒立摆的状态变量合成模糊神经网络控制

文章给出了四级倒立摆系统的硬件组成，分析了四级倒立摆的系统结构、建立了数学模型。分析了系统的可控性、可观测性，给出了一种基于状态变量合成的模糊神经网络控制控制方法。在实践中证明该方法可行，成功地立起四级倒立摆。     

基于Q学习算法和BP神经网络的倒立摆控制

Q学习是Watkins[1]提出的求解信息不完全马尔可夫决策问题的一种强化学习方法.将Q学习算法和BP神经网络有效结合,实现了状态未离散化的倒立摆的无模型学习控制.仿真表明:该方法不仅能成功解决确定和随机倒立摆模型的平衡控制,而且和Anderson[2]的AHC(Adaptive Heuristic Critic)等方法相比,具有更好的学习效果.     

线性神经网络在系统辨识中的应用研究

神经网络用于系统辨识最为常用的模型为BP模型,它能辨识线性和非线性系统,但BP网络存在收敛速度慢和易陷入局部极小值的缺点,影响系统辨识的速度和精度。线性神经网络结构简单,它采用Widrow-Hoff学习规则,收敛速度快,且不存在局部极小值问题,因此,对于线性系统,考虑用线性神经网络进行辨识,实验仿真结果表明,基于线性神经网络的系统辨识具有很高的辨识速度和精度。