A Learning Algorithm of CMAC Based on RLS

Conventionally, least mean square rule which can be named CMAC-LMS is used to update the weights of CMAC. The convergence ability of CMAC-LMS is very sensitive to the learning rate. Applying recursive least squares (RLS) algorithm to update the weights of CMAC, we bring forward an algorithm named CMAC-RLS. And the convergence ability of this algorithm is proved and analyzed. Finally, the application of CMAC-RLS to control nonlinear plant is investigated. The simulation results show the good convergence performance of CMAC-RLS. The results also reveal that the proposed CMAC-PID controller can reject disturbance effectively, and control nonlinear time-varying plant adaptively.     

CMAC网络建模在非线性预测控制中的应用

CMAC是一种具有线性结构、算法简单的局部化设计网络。将 CMAC网络应用到具体非线性系统的预测控制研究中。对一类 CSTR系统的仿真结果表明 ,该预测控制策略响应快且容易实现 ,具有较强的鲁棒性 ,对于改善非线性预测控制性能不失为一种有益的尝试     

基于小脑神经网络解决机械手逆运动学控制问题

由于机械手逆运动学问题的求解存在多解且非常复杂,以往解决机械手的逆运动学求解问题主要是通过神经网络逆模型来建立机械手的逆运动学模型然后通过遗传或改进的BP算法来训练神经网络的权(阀)值矩阵从而达到问题的求解,然而这种方法在建立神经网络的逆模型时要对训练数据进行限制或筛选使其成为单解问题(即满足逆映射关系存在的要求),这对于那些对数据事先进行处理很困难或根本无法进行的复杂系统是不可行,为此提出了一种采用小脑神经网络和约束条件相结合的方法来解决逆运动学问题.研究结果表明此方法可以很好的解决机械手的逆运动学控制问题,同时该方法可以推广应用到那些通过数学模型求解困难或者数学模型不确知的复杂系统反求问题.     

基于混合优化神经网络的机器人力/位置控制

针对机器人在参数变化和外界工作环境的刚度变化时,系统的控制质量会因常规PID控制器没有自适应能力而明显变差,甚至无法工作,提出了一种具有混合H2／H∞性能指标的CMAC控制方法,采用CMAC神经网络加强系统对参数不确定性的补偿,引入混合优化策略来优化CMAC神经网络的结构和权值,保证了系统对外界干扰在给定干扰衰减度下具有鲁棒稳定性的同时,还能使系统达到良好的动态性能,满足一定的H2最优性能指标。仿真结果表明,本文所提控制方案在大量参数不确定性及外部扰动存在的情况下,仍能满足性能要求。     

一种自适应CMAC在交流励磁水轮发电系统中仿真研究

在分析常规CMAC结构的基础上,针对一类非线性、参数时变和不确定的控制系统,提出了一种自适应CMAC神经网络的控制器．该控制器以系统动态误差和给定信号量作为CMAC的激励信号,并与自适应线性神经元网络相结合构成系统的复合控制．为了验证其有效性,将其应用到交流励磁水轮发电机系统的多变量非线性控制中,并与常规的PID控制效果进行了比较．仿真结果表明,该控制器具有较强鲁棒性和自适应能力,控制品质优良。     

基于CMAC网络的飞行器再入制导研究

针对高速再入飞行器的制导问题,提出了一种改进的标准轨道制导律.该方案在纵向上将LQR控制与小脑模型神经网络(CMAC)相结合,利用在线学习的CMAC对攻角和倾侧角的大小进行修正,提高地心径向距离和剩余航程的跟踪精度.在侧向上,根据定义的侧向边界设置动态调整准则确定倾侧角反向位置.三自由度仿真显示,该制导律在气动偏差下能够得到满足终端精度和约束条件的再入轨道,具有良好的可行性.     

直升机旋翼协调加载系统的模型参考自适应解耦控制

研究了直升机旋翼协调加载系统的解耦控制问题.分析了协调加载系统组成结构,建立了电液伺服加载系统数学模型,指出了协调加载系统解耦控制的难点.针对该系统特点,提出了基于GCMAC的模型参考自适应解耦控制策略,采用常规PID控制器作为辅助控制器,GCMAC控制器作为主控制器在线学习理想控制作用,使得耦合系统逼近参考模型,实现解耦控制.仿真表明,该解耦控制策略是有效的,力指令跟踪误差小于4%.     

CMAC逆模型用于电站负荷协调控制的研究

在常规PID负荷协调控制回路中加入CMAC神经网络模型。利用神经网络的非线性映射能力，能很好地解决负荷协调控制对象的动态特性具有非线性、时变性、参数可变等问题。仿真对比试验表明：负荷协调控制系统引入CMAC逆模型后，系统的跟踪速度加快了大约1个周期，调节精度提高。CMAC逆模控制器有较好的适应性、鲁棒性。图6表1参9     

用于TCSC阻抗控制的CMAC和PID复合策略

TCSC的阻抗控制是实现TCSC其他控制功能的基础。为更好地实现TCSC对命令阻抗的响应，采用了一种新型阻抗控制策略——小脑模型神经网络（Cerebella Model Articulation Controller，CMAC）与PID复合控制策略。该控制策略能够实现被控对象的逆动态模型，同时保证系统能有效地抑制扰动，具有足够的稳定性。在Matlab／Simulink仿真环境下搭建两区域四机系统进行仿真．结果证实了该控制策略的有效性。