二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

基于自适应模糊神经网络的倒立摆控制仿真研究

提出一种自适应模糊神经网络,它能有效地学习和优化模糊控制规则和隶属度函数。并用该网络对单级倒立摆进行控制,仿真结果表明,该网络优于传统的模糊控制和神经网络。     

自适应神经网络模糊控制在倒立摆中的应用

应用MATLAB的模糊控制工具箱，设计了用于倒立摆系统的模糊控制器，并且利用神经网络能够自学习的特点，采用反向传播算法对倒立摆控制样本数据进行了学习，调整了各变量的隶属函数，从而使学习后的模糊控制器更能适应倒立摆系统控制的需要。把学习前后的模糊控制器用于倒立摆系统进行了实验对比，结果表明学习后的控制器控制效果明显优于学习前的控制器。     

采用自适应模糊PID的二阶倒立摆控制

建立一个二阶倒立摆的数学模型,将常规比例-积分-微分(PID)控制与模糊控制相结合,设计模糊PID控制器,实现PID参数的自适应模糊整定.仿真实验表明:所设计的模糊PID控制器能很好地实现二阶倒立摆的扶起平衡控制,控制效果明显好于常规PID控制器,超调量和调节时间较小,具有较好的抗干扰能力,非常适合二阶倒立摆模型的稳定控制.     

模糊神经网络模型参考自适应控制及其应用

提出一种模糊神经网络的自适应控制方案，给出了一种模糊神经网络模型和快速的优化学习算法（ＦＬＡ），通过网络的在线自学习不断修正模糊神经网络控制器的隶属函数和权值，实现了模糊逻辑规则的自动更新，经仿真结果和倒立摆控制表明，这类自适应控制具有良好的控制性能。     

基于多维ANFIS的T-S模糊控制规则聚类获取方法

T-S模糊模型与自适应神经模糊推理系统(ANFIS)的结合便于描述多输入系统模糊控制规则.为解决规则前件过多时传统ANFIS结构导致的维数灾难问题,同时进一步提高ANFIS对于复杂系统T-S规则在线获取速度,首先采用多维输入向量对ANFIS网络进行修正,在此基础上提出了T-S模糊控制规则聚类获取方法;其次,利用所提出的方法分别对倒立摆和二阶滞后系统进行了控制仿真,该方法同Mamdani规则自组织模糊控制的控制效果比较表明两者的最大超调量、振荡次数、过渡时间基本一致,上升时间要较Mamdani模糊控制器缩短3个采样周期,控制规则较Mamdani控制器减少了45条.     

基于分离变量的模糊控制规则的简化设计

针对多输入单输出的倒立摆模糊控制系统的规则爆炸问题，尝试了一种基于分离变量的模糊控制规则设计方法，大大减少了控制规则数，减少了控制器的运算时间。利用该方法设计一级倒立摆模糊控制系统，仿真结果表明，简化控制规则后仍能取得较好的效果。     

基于融合函数的模糊控制在倒立摆中的应用

倒立摆系统是典型的非线性,不稳定控制系统,也因此成为自动控制试验中验证控制算法的极好的实验装置。采用模糊控制理论研究单级倒立摆控制问题,运用最优控制方法设计了融合函数以降低模糊控制器的维数,减少模糊控制规则数,进而提高模糊控制器的性能品质。理论和实验都表明模糊控制算法是有效,可行的。     

基于改进的表格查询法的二级倒立摆模糊控制

研究了二级倒立摆系统的模糊控制问题,对表格查询算法在二级倒立摆上的应用进行了详细介绍,通过引入输入-输出数据对及模糊规则置信度的概念,去除冗余规则,减少了控制规则,使控制器的控制规则更为简单、有效。通过建立模糊规则,构造模糊控制器,实现了倒立摆系统的稳定性控制。研究结果表明,该算法具有简单、实时跟踪效果好等特性。     

风冷制冷机组的多变量模糊控制研究

针对一个多输入多输出、非线性复杂系统明显的非线性热力学耦合特性，采用模糊控制与神经网络相结合的方法，提出一种具有结构和参数学习能力的自组织模糊神经网络控制器，在控制过程中通过采样数据在线学习，调整网络结构，产生模糊控制规则并调整规则的参数，使得控制器具有模糊控制的特点，又有神经网络学习的能力．通过对风冷制冷机组控制试验的结果表明，该控制器能够达到同时控制蒸发压力和过热度的目的．     

旋转式倒立摆的状态变量合成模糊控制

旋转式倒立摆结构简单而模型复杂,采用信息融合的状态变量合成方法,将多变量输入合成为二个输入变量,设计了一种结构简单的模糊控制器。仿真实验结果表明了该方法的有效性,并用于旋转式倒立摆实现了有效的实时控制。     

基于动态查询表的模糊控制策略及其应用

研究基于动态查询表的模糊控制策略及其在转臂式倒立摆中的应用.采用一种新的倒立摆系统的控制方法,将传感器检测的倒立摆的两个角度信息传送到控制器,控制器利用该信息的模糊化量按基于动态查询表的模糊控制策略进行实时计算,由得出的控制量控制力矩电机驱使摆杆运动,从而使摆臂处于动态的直立状态.采用C++语言实现了对倒立摆的控制.实验结果表明,这种控制方式能够提高系统的控制精度.     

应用神经元控制器的实时控制装置和实验

针对平衡倒立摆这一非线性控制问题,设计了神经元控制器和控制装置,编制了实时控制程序.控制装置运行良好,成功地平衡了倒立摆.实时控制实验显示,当倒立摆的参数变化时,神经元控制器比一般的控制器具有强得多的自适应能力.     

基于BP神经网络特定学习的单级倒立摆控制方法

利用BP神经网络的特定学习算法，以单级倒立摆为控制对象设计一个四输入／单输出、包含5个隐层单元的3层BP神经网络控制器，提出一种新的单级倒立摆控制方法，然后通过Matlab6．5数值计算软件对这种新的单级倒立摆控制方法进行仿真．仿真结果表明，该方法具有较好的收敛性，是一种有效的控制方法．     

基于遗传算法优化的双回路模糊控制倒立摆系统

通过遗传算法、模糊控制、PID的结合,对直线一级倒立摆的平衡控制问题进行了优化控制。首先用牛顿-欧拉法建立倒立摆的动力学模型,得出系统的传递函数和状态空间表达式,分析系统的稳定性和可控性。以此为基础,先设计了PID单回路和双回路控制器;然后用遗传算法优化PID参数;再用优化的参数设计双回路模糊PID控制器;并用MATLAB对系统进行了仿真。纵向和横向控制方法的对比分析表明:该方案控制效果最好,能同时控制角度和位移;其参数可在最优PID初值的基础上在线修改,实现最佳调整,使对象具有良好的静态和动态性能。     

内模原理在肢体平衡中的模型及应用

为了解决肢体平衡问题时可以保证系统在运动控制过程中的精确性和稳定性,该文在内模原理思想的基础上提出了一种基于预估器的小脑模型(KECFEL)。这种模型由前馈神经网络控制器构成;训练前馈模型中神经网络的教师信号由预估器以及反馈控制器(CFC)的输出来提供,并采用在线学习对网络进行权值更新与网络训练;同时采用比例微分控制器(PDC)作为反馈控制器以确保全局稳定性。通过该模型对倒立摆的仿真实验验证该模型对肢体平衡控制的有效性。     

基于动平衡状态的不确定倒立摆系统跟踪控制

针对存在不确定摆杆质量、长度和外加干扰的倒立摆系统的稳定控制问题,提出了基于动平衡状态理论的鲁棒自适应控制策略.首先对台车位置和摆杆摆角规划了理想的动平衡状态参考轨迹,然后应用分段滑模和模糊逻辑系统设计了直接自适应模糊控制器实现对动平衡状态的实时跟踪.理论分析和仿真结果证明了不确定倒立摆系统是全局渐近稳定的,并具有很好的适应性和鲁棒性.