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。     

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。     

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。     

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.     

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.     

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。     

基于模糊动态模型的二级倒立摆系统的分析和设计

首先给出了一种离散系统模糊动态模型的辨识方法,提出了一个衡量聚类有效性的函数,以确定模糊规则的数目,并给出一个保证模糊系统全局稳定的充分条件,在此基础上给出了模糊控制系统的设计方法,并对二级倒立摆系统进行了控制,取得了较好的效果。     

平行二级倒立摆的稳定控制

将单一输入规则群动态加权模糊推理模型应用于平行二级倒立摆系统，设计出具有6个输入交量的模糊稳定控制器。该模糊控制器规则总数少，直观性强。计算机仿真表明，该模糊控制器能在短时间内同时实现两摆角度及小车位置的控制。     

基于RBF网络二级倒立摆系统PID控制

为解决传统PID控制SIMO系统的不足,提出在RBF网络辨识系统Jacobian阵基础上,引入kx-函数观测器的控制策略,实现PID控制参数的在线自整定。根据PID控制系统与LQR控制系统传递函数阵的等效关系,得到PID控制器的初始kp、ki、kd,解决实物二级倒立摆在初始时刻扰动大,但对稳定性要求高的矛盾。最后,仿真结果表明该方法使倒立摆系统具有快速性,稳态误差小,其控制效果要优于LQR控制,可实现二级倒立摆系统的稳定控制。     

二级倒立摆的区间值模糊控制

为了提高倒立摆模糊控制的稳定性,研究了二级倒立摆的区间值模糊控制.根据区间值模糊集理论,由不同类型的隶属度函数构成区间结构,利用区间值模糊蕴涵建立控制规则,设计出二级倒立摆的区间值模糊控制器,并通过仿真与实时控制实验,对比分析了区间值模糊控制与点值模糊控制的性能.实验结果表明,区间值模糊控制具有更好的稳定性和鲁棒性.     

二级直线倒立摆系统的实物控制

针对二级直线倒立摆系统,采用拉格朗日方程法建立其理论模型,分别使用线性二次最优控制（Linear Quadratic Regulator,LQR）及基于趋近律的滑模控制（Sliding Mode Control,SMC）算法来实现干扰存在情况下倒立摆的平衡控制。对于LQR算法,研究了矩阵[Q]和矩阵[R]与反馈控制矩阵[K]的定性关系,并经过反复多次实验,不断试凑,得到一组良好的控制参数,实现了倒立摆的稳定控制。SMC算法采用基于指数趋近律的控制方法进行了滑模变结构控制器的设计,并利用边界层法来进一步削弱抖振。最后通过仿真及实验,实现了倒立摆的实物平衡控制。     

不确定平面二级倒立摆的鲁棒自适应控制

为提高倒立摆控制系统的抗扰动能力,降低其对未建模动态等的敏感度,研究了不确定平面二级倒立摆的鲁棒自适应控制器的设计方法。把倒立摆动力学模型分解为确定和不确定两部分,用一个非线性参数化模糊逻辑系统逼近平面二级倒立摆的不确定动态,采用李雅普诺夫稳定性理论推导出使平面二级倒立摆的状态误差渐近收敛的鲁棒控制器及自适应律。理论分析和仿真结果表明所提出的控制算法是有效的。     

二级倒立摆摆起控制的研究

通过对二级倒立摆系统的理论分析，研究二级摆从自然悬垂位置摆到倒立点位置的摆起控制问题，提出了基于动态设计变量优化算法的复杂非线性系统控制策略．仿真实验证明，该策略可成功地实现圆轨和直轨两种二级倒立摆的摆起控制，并且算法具有较快的收敛速度和较高的计算精度．     

一种自组织双模糊神经网络控制算法

针对传统模糊神经网络设计复杂、控制实时性滞后的问题,提出自组织双模糊神经网络算法。将样本数据进行聚类划分,形成原始的模糊隶属函数集;在神经网络的离线训练过程中,完善并优化模糊隶属函数和规则;采用双神经网络结构,在线工作时,一个神经网络完成在线学习任务,另一个神经网络完成工业控制任务;经过一定的系统周期,同步系统中两组神经网络的参数;提取完成控制任务的神经网络的输出作为算法的输出。应用于火箭发动机试验台控制系统中,表明算法能够提升控制系统中针对输入参数越界的鲁棒性,提高控制实时性,简化了模糊神经网络的设计复杂度。     

一级倒立摆状态反馈控制系统设计

倒立摆控制系统是一个复杂的、不稳定的、非线性系统,对倒立摆系统的研究能有效的反映控制中的许多典型问题。对一级直线型倒立摆,首先运用牛顿运动定律建立倒立摆系统的运动方程,进而求出系统的状态空间表达式,建立数学模型。其次运用状态反馈极点配置法,以小车的位移、速度,摆杆与竖直向上的偏角、摆角变化速度作为四个状态变量,由给定的控制要求求出状态反馈增益矩阵,将极点配置在控制要求的位置。另外考虑到系统的某些状态如小车速度和摆杆角速度不容易直接测量等,本文分别基于小车和摆杆子系统设计了两个全维观测器,分别对状态量进行了重构并给出了仿真结果分析。     

DRNN在倒立摆摆起控制中的研究

针对小车一级倒立摆的起摆控制,以DRNN神经网络作为辨识器,在线自适应调整PD控制器的两项参数。在起摆范围相同的情况下,DRNN神经网络控制的倒立摆系统其模型参数变化范围为-50%～30%,传统PD控制倒立摆系统其参数变化范围为-40%～20%。结果表明,基于DRNN神经网络的PD控制器比传统的PD控制器具有较强的抗干扰能力和自适应能力,系统鲁棒性增强,效果明显优于传统的PD控制器。     

基于LQR和模糊插值的五级倒立摆控制

首先给出五级倒立摆的数学模型并验证了它的可控性;然后在分析与倒立摆系统稳定性有关因素的基础上,结合LQR理论构造出一种非对角型的权重矩阵,并给出了设定该矩阵中各元素的方法;最后设计出一个简单的基于二元分片插值函数的模糊控制器,成功地实现了具有定位功能的五级倒立摆的控制．仿真结果表明该方法是有效的．