一级倒立摆SIRMs动态权重模糊推理算法仿真

为解决倒立摆采用常规模糊控制算法,其推理规则数目随输入变量成指数增长的问题,对直线一级倒立摆设计了基于SIRMs和动态连接权重模型的模糊控制器,该控制器将倒立摆的四输入变量的模糊控制化成单维模糊控制问题来解决,大大减少了模糊规则数。仿真结果表明,该控制算法能够较好地完成倒立摆的运动控制,具有很强的鲁棒性和动静态特性。     

时滞倒立摆的H_∞反馈控制

由于系统的输入滞后不可避免,时滞是影响系统稳定性的因素之一,文中研究具有输入时滞的一级直线倒立摆的H∞控制问题.基于Lyapunov稳定性理论,采用线性矩阵不等式方法得出系统的H∞反馈控制器.文中没有引入自由权矩阵,减小了问题的复杂性.同时考虑系统不确定性.结论可由MATLAB软件直接求解,方便易行.仿真结果证实了方法的有效性.     

扭摆法测量刚体转动惯量的误差定量分析

以圆柱形刚体为研究对象,推导了刚体轴线与仪器转轴不重合情况下的转动惯量误差表达式,进一步给出了均匀细棒和均匀薄圆盘的误差表达式,且定量地给出了误差,并对其结果进行了分析,为改进测量方法及实际应用提供了理论依据.     

基于(w，z)参数轴对称3D刚体摆姿态PD控制

基于(w,z)参数化轴对称Three Dimensions(3D)摆的姿态控制问题研究,提出(w,z)参数描述姿态描述方法。该方法通过2次绕正交轴旋转,引入复变量,将球面上的点向复平面投影。提出Proportion Differentiation(pd)控制对轴对称3D摆的姿态控制方法。首先列出轴对称3D摆的动力学方程,以(w,z)参数表示轴对称3D摆的姿态运动学方程及推导过程。利用(w,z)参数设计出PD控制器,使得轴对称3D刚体摆在其倒立位置渐近稳定。仿真实验验证了控制器对轴称3D摆姿态控制的有效。     

大量程步进式垂线坐标仪的研制

步进式变形监测仪器具有长期测量、测值稳定、可靠性高、测试原理简单、适用范围广等优点，在中国的大坝安全监测领域得到了广泛应用，但大量程步进式变形监测仪器的研制很难。文中介绍了一种新型步进式垂线坐标仪，该垂线坐标仪在引入独特的结构设计、先进的电子测量技术和优化的电机驱动控制策略的基础上，很好地解决了大量程工况下的高精度测量问题。     

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。     

倒立摆的一种FUZZY-PD复合控制器设计

针对高维模糊控制器设计中的“规则爆炸”问题，以倒立摆为研究对象，直接将四维控制器分解为两个二维控制器，其中一个为PD控制器、一个为二维模糊控制器，并将这两个控制器输出直接叠加作为控制量，在此基础上，借助状态反馈极点配置方法，提出了一种比较系统化的模糊控制器参数估计方法，以弥补模糊控制器参数系统化设计方法的不足，对倒立摆系统的仿真及对它的实时控制结果均验证了该复合控制方案及这种模糊控制器参数估计方法的有效性。     

直线柔性连接两级倒立摆控制器设计

倒立摆系统是一个复杂的、非线性的、不稳定的高阶系统。倒立摆的控制一直是控制理论及应用的典型课题。分析了如何利用拉格朗日方程对直线柔性连接两级倒立摆系统建模，采用LQR法设计最优控制器，进行了具体架构以及阐述了此系统设计的控制器在实际物理系统中的实现问题。所设计的控制器对此倒立摆系统成功实施了控制，既证明了系统建模的正确性，也是倒立摆控制中的一项重大突破。相关研究成果将在航天科技及机器人学等领域发挥重要作用．     

一种基于遗传算法的神经网络控制方法

本文比较了传统的BP算法和遗传算法用于神经网络设计的优缺点，阐明了遗传算法和神经网络相结合的必要性，提出了一种用遗传算法同时优化网络的结构和权值的神经网络控制方法，通过对遗传算法基本参数及骗码方案，遗传算子的设计，实现了权值与结构的同时优化，成功地应用于二级倒立摆系统的控制，仿真结果显示了这种遗传算法能够有效抑制早期收敛，以较快的速度与较高的精度达到全局快速收敛。     

情感多主体系统的设计与实现

多Agent在复杂多变的环境中行为的自组织是当前人工智能研究的一个热点．本文借鉴生物系统控制的理论，设计了一种多Agent的体系结构，在此结构中包含有遗传、神经和内分泌控制子系统．本文重点论述了内分泌控制子系统的作用，提出了用情感进行行为学习的新方法．在此方法中，神经系统的作用是记忆和行为决策，其行为决策的效果通过内分泌系统进行反馈，从而避免了神经网络的自学习，使得算法具有较好的求解性能．为了验征该算法的有效性，本文做了倒立模控制的仿真实验．仿真结果也表明算法具有很强的自适应求解能力．