基于多个并行CMAC神经网络的强化学习方法

为解决标准Q学习算法收敛速度慢的问题,提出一种基于多个并行小脑模型(Cerebellar Model Articulation Controller:CMAC)神经网络的强化学习方法。该方法通过对输入状态变量进行分割,在不改变状态分辨率的前提下,降低每个状态变量的量化级数,有效减少CMAC的存储空间,将之与Q学习方法相结合,其输出用于逼近状态变量的Q值,从而提高了Q学习方法的学习速度和控制精度,并实现了连续状态的泛化。将该方法用于直线倒立摆的平衡控制中,仿真结果表明了其正确性和有效性。     

层叠CMAC补偿的并联机器人变结构控制研究

针对复杂机器人系统的不确定性,提出一种层叠小脑模型关节控制器(CMAC)神经网络同滑模变结构控制相结合的控制策略。首先利用改进CMAC学习机器人系统的不确定信息,并作为前馈补偿来确保跟踪误差的快速收敛,再通过滑模变结构控制器消除CMAC网络的逼近误差和不可重复随机干扰的影响。采用Lyapunov直接法进行控制律选取,分析表明系统可实现全局渐近稳定。在6-6并联机器人的轨线跟踪仿真试验中显示了良好的鲁棒性和精确性.     

一种基于自适应遗传算法的CMAC的学习率优化方法

CMAC（cerebellar model articulation controller）是一种局部逼近神经网络，它发展了近30年，但是关于其学习率的确定仍缺乏好的方法。基于CMAC的控制系统如果没有好的学习率，那么系统就会不稳定或者收敛速度很慢。在传统方法的基础上提出利用遗传算法（GA）来确定其学习率，通过自适应遗传算法（GA）其他传统方法相比较，表明利用自适应遗传算法（GA）不仅使系统稳定，而且收敛速度更快，并进行了仿真验证。     

一种自适应CMAC神经网络控制器的设计与仿真

为了消除常规前馈型CMAC神经网络控制器的过学习和振荡现象，基于常规CMAC的基础上，提出了一种自适应CMAC神经网络的控制器结构。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，并与自适应神经网络控制器相并联构成系统的复合控制。仿真实例表明，提出的自适应CMAC神经网络控制器具有良好的鲁棒性、抗干扰能力和自适应能力，是解决非线性和不确定性对象控制问题的一种简便有效的控制算法。     

CMAC神经网络用于分析和设计非线性过程控制系统(Ⅱ)——控制策略

本文是基于 CMAC神经网络分析和设计复杂控制系统的第二部分 ,提出了基于评价函数和CMAC预测器的控制器的设计方法 ,通过分析控制算法的收敛性和控制系统的稳定性 ,得出了控制器参数的选取方法 .该方案适用于过程的输入输出数据是可测的 ,并且可用第一部分提出的方法得到对象的 CMA C预测器 .仿真实例证明该方案是正确和实用的.     

基于CMAC的中性浮力实验体解耦控制研究

针对中性浮力实验体控制问题,提出一种动态解耦多通道复合控制算法.通过实验体受力分析,建立了其六自由度运动模型.设计了一种动态解耦神经网络,其优点在于能适应动态变化的耦合程度.采用CMAC(Cerebellar Model Articulation Controller)和PID复合控制进行单通道控制,其优点在于结合了CMAC前馈控制的快速响应性能和PID反馈控制的强抗干扰性.经MATLAB仿真验证,提出的算法能有效控制实验体位置和姿态.调整时间短且稳态精度高,效果优于PID控制.     

一种快速收敛的核CMAC神经网络模型

为了提高CMAC(cerebellarmodelarticulationcontrollers)神经网络实时在线学习的快速性和准确性,在核CMAC的基础上引入了信度分配的概念。在核空间内,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的倒数成比例,设计了一种基于信度分配的核CMAC的训练规则,使网络的学习速度和网络逼近精度及建模能力得到提高。仿真结果表明基于信度分配的核CMAC结合了核CMAC与信度分配CMAC的优点,隐去了映射所带来的复杂运算,有较快的学习速度和训练精度及建模能力。     

基于CMAC的CMG框架伺服系统摩擦补偿方法研究

为消除磁悬浮控制力矩陀螺(MSCMG)框架伺服系统摩擦的影响,对陀螺框架系统进行动力学分析,分析了摩擦力矩随陀螺输出力矩和框架角位置及角速度的关系,建立了框架系统的非线性摩擦力矩模型.针对此摩擦模型,采用基于CMAC神经网络的摩擦补偿方式进行补偿.根据实际磁悬浮控制力矩陀螺的系统参数建立仿真模型,仿真结果验证了基于CMAC神经网络摩擦补偿的有效性.     

基于广义模糊CMAC的强化学习算法

针对传统的小脑模型,提出了一种广义模糊小脑模型神经网络(GFCMAC)。它采用模糊隶属度函数作为接收域函数,可以获得较常规CMAC连续性强且有解析微分的复杂函数近似,具有计算量少,学习效率高等优点。研究了GFCMAC接收域函数的映射方法、隶属度函数及其参数的选取规律和学习算法。结合强化学习,提出了一种基于GFCAMC的强化学习算法,讨论了其实现过程。应用于船舶航向控制的仿真结果表明,在有各种风浪干扰下,船舶航向跟踪快且操舵动作合理,适合船舶转向控制要求。     

带有资格迹的模糊CMAC控制仿真研究

提出一种带有资格迹的模糊CMAC控制器(FCE),资格迹的引入可以对控制系统进行超前预测,提高系统的稳定性。研究了FCE系统的构成,并推导其学习算法。为适用于在线控制,给出了高效的FCE算法实现方案。应用于船舶航向控制的仿真结果表明,当存在风浪干扰海况下,船舶航向的控制仍能取得令人满意的效果。     

基于CMAC的位置伺服系统神经元离散滑模控制

针对数控机床位置伺服系统参数不确定及存在外界干扰的特点,将小脑模型关节控制器(CMAC)与滑模控制相结合,设计了基于CMAC的神经元离散滑模制系统及其控制算法.仿真结果表明,该控制方法不但大大降低了普通滑模变结构控制中的抖振,而且具有良好的动静态特性及较强的鲁棒性.     

CMAC网络与模糊PD并行控制仿真研究

针对工业被控对象广泛存在的不确定性、非线性、时变性和多干扰等特性,提出了一种CMAC网络与模糊PD并行控制器的设计方法。该方法以模糊PD控制代替传统的PD控制实现反馈控制,并采用遗传算法整定模糊PD控制的量化因子,CMAC网络实现前馈控制。仿真结果表明,CMAC网络与模糊PD并行控制相对于PID控制与传统的CMAC网络与PD并行控制具有更强的鲁棒性与抗干扰能力。     

汽轮机调速系统CMAC网络PID并行优化控制

针对汽轮机调速系统存在死区、饱和等非线性的控制特点,提出了基于混沌优化策略与CMAC网络PID并行控制相结合的控制方法,并将其应用于汽轮机调速系统的参数设计中。该方法首先通过混沌搜索,得到控制器参数的次优值,然后利用变尺度的方法在次优值附近找出控制器参数的全局最优值。与CMAC网络传统PID并行控制以及单纯PID控制相比较的仿真结果表明,该方法能更好地提高控制系统的精度和响应速度。     

基于CMAC的流体压力水锤控制

飞机液压系统的压力脉动是造成液压元件提前疲劳损坏的重要原因之一。飞机液压系统压力脉冲试验是产生压力水锤考核液压元件寿命的重要设备。由于该设备的数学模型是一个分布参数的非线性系统,且受到试验件的影响,较难有效的实施快速控制。提出一种CMAC与传统控制相结合的并行控制方案,利用CMAC的分类存储与传统控制的微调作用较好的实现了水锤的快速精确控制。仿真试验表明,能大大缩短波形的调整时间,且具有较强的自适应能力和鲁棒性。     

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller, FCMAC)网络的非线性自适应逆控制方案.将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统.在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整.仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想.     

基于RBF辨识的伺服系统CMAC控制

提出一种基于RBF辨识的伺服系统CMAC复合控制器,并进行了仿真研究。采用RBF神经网络辨识被控对象模型,根据辨识结果调节单神经元控制器的参数,由单神经元PID控制器与小脑模型前馈控制器组成复合控制结构,通过搜索使控制器尽快地进入合适的参数空间,实现了控制的快速性要求。仿真结果表明,该控制方法能够缩短系统暂态响应时间,提高系统的动态跟踪精度,增加系统鲁棒稳定性。     

基于混合策略的引力搜索算法

为了提高引力搜索算法(gravitational search algorithm, GSA)在处理单目标优化问题上的综合能力,提出了一种基于混合改进策略的GSA。依照种群个体自身的进化情况,提出个体进化率的进化策略,以提高算法的收敛速度;采取方向性的变异策略,较好地平衡了全局搜索能力和局部开采能力,最大限度地降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验表明,基于混合策略的GSA算法可有效避免早熟收敛,在收敛精度和收敛速度上与标准的GSA算法以及相应的改进算法相比有显著提高。     

一种快速收敛的改进粒子群优化算法

采用离散线性系统的状态方程,根据系统稳定性理论,推出了保证牡子群优化算法收敛性的参数设置压域。在收敛性理论分析的基础上,提出了一种快速收敛的改进粒子群优化算法,它是基于二阶系统按最佳胆尼比的思恕来设定粒子群速度更新公式中的惯性权重。通过标准测试函数的性能测试,验证了改进粒子群优化算法的收敛性和快速性,并和惯性权重线性递减的标准粒子群优化算法进行了比较。仿真结果表明,该算法具有可靠的收敛性能和更快的收敛速度。     

基于阈值控制的一种改进鲸鱼算法

针对鲸鱼算法在迭代后期种群多样性减少问题,本文提出一种基于阈值控制的改进鲸鱼优化算法(简记为TIWOA),将均匀分布空间与伪反向学习策略相结合,对原始种群位置进行初始化,为全局搜索奠定基础;改进了基于正态变异算子的选择种群方案,增加了局部搜索速度;设计了非线性收敛因子,配合改进的基于正弦函数的螺旋位置更新,使算法在迭代后期有更好的全局搜索能力.文中选取了25个国际标准测试函数对改进算法进行测试,结果表明,TIWOA算法在收敛精度与收敛速度上,更明显优于其它算法,经过Friedman检验与Wilcoxon检验,TIWOA算法与其它改进的WOA有显著性差异,说明TIWOA算法改进有明显效果.     

改进的主峭度分析算法及其在高光谱图像小目标检测中的应用

由于高光谱图像维数较高,因而在利用高光谱图像进行目标检测之前会先进行数据降维。主成分分析变换和最大噪声成分变换是高光谱图像处理领域最为经典和常用的两种降维方法。它们以图像的方差和信噪比为指标进行降维,是基于二阶统计信息的方法。小目标由于其本身的特点可能会被经过该类方法降维后舍弃掉,而基于高阶统计特性的主峭度分析算法能够很好的解决这类问题。该方法能够提取基于二阶统计信息进行降维后无法保持的小目标信息,从而有效的检测到小目标。但主峭度分析算法的收敛速度较慢、计算时间较长,因而本文提出了一种改进的主峭度分析算法,改进的主峭度分析算法可以提高算法的收敛速度、减少算法的迭代次数。仿真实验表明,改进的主峭度分析算法能够缩短计算时间,提高算法的收敛速度。