基于模糊高斯基函数神经网络控制的机器人视觉伺服系统

针对机器人视觉伺服控制系统中存在的不确定性问题,将模糊控制与神经网络相结合,用神经网络来实现模糊推理,提出了一种把高斯基函数作为隶属函数的模糊神经网络视觉伺服控制器,该控制器不仅具有定性知识的表达能力,而且具有很强的在线学习能力。将所提方法用于三关节机器人"手-眼"视觉伺服系统的控制中,取得了很好的控制效果。     

一种基于模糊神经网络的机器人轨迹跟踪控制

提出一种模糊神经网络,并将其应用于两关节机械手轨迹跟踪控制。该网络采用三角形隶属度函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理。这种模糊神经网络能够在线调节输出隶属度函数中心以及关节间耦合权值,使得控制器具有更好的学习与自适应能力。仿真结果表明,这种网络能很好的用于机器人的轨迹跟踪控制中,是一种行之有效的控制方法。     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推理规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略--模糊神经网络系统的组织结构及其神经网络的设计.     

模糊控制与模糊神经网络研究的现状及展望

回顾了模糊控制理论的发展历程，介绍了模糊产品和模糊硬件的开发概况，阐述了将模糊逻辑与神经网络相结合的模糊神经网络技术的研究动态，并对模糊控制学科的发展进行了展望。     

一种基于动态模糊神经网络的飞行数据模型辨识方法

针对飞行数据的特点,提出了一种基于动态模糊神经网络(DFNN)的飞行数据模型辨识方法。该方法采用在线学习方式,通过动态增加和删除神经元节点的策略实现网络结构学习,采用递推最小二乘法实现网络权值的在线调整,以最终得到一个结构简单、泛化能力强的神经网络。以某特定时间段的飞参数据为仿真样本,将该DFNN用于参数关联模型的辨识,实验结果表明该辨识方法收敛速度快、泛化能力强。     

模糊神经网络控制系统

介绍了将神经网络和模糊控制相结合,即用人工神经网络算法产生模糊推进规则和隶属函数,再基于这些模糊推理规则和隶属函数产生模糊逻辑控制的一种新颖控制策略-模糊神经网络系统的组织结构及其神经网络的设计。     

基于数据特征的模糊模型辨识与模糊控制器设计方法

针对难于建立精确数学模型的复杂过程,提出了一种基于数据特征的模糊模型辨识方法.该方法首先按过程输出随输入变量变化的剧烈程度对输入变量论域进行划分,然后在此划分的基础上确定出模糊模型的规则总数和前件参数,最后由于要建立的模糊模型可以表示为一个前馈模糊神经网络,因此利用BP学习算法求得过程模糊模型的后件参数.基于所提出的模糊模型辨识方法进行了柔性连杆机器人模糊控制器设计,并进行了柔性连杆机器人模糊控制实验.实验表明,通过所提出的模糊模型辨识和模糊控制方法可以得到满意的控制性能.     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

静止无功补偿器的智能自适应PID控制器设计

将神经网络和模糊控制与有着广泛应用ＰＩＤ控制相结合,设计了一种静止无功补偿器的智能自适应ＰＩＤ控制器。利用神经网络实现系统模型辨识,采用模糊逻辑和神经网络相结合对ＰＩＤ控制器参数动态寻优。使ＳＶＣ的控制既具有模糊控制的简单,有效的非线性控制作用,又具有神经网络的自学习,自适应能力。     

多关节机器人的自学习模糊全局滑模控制

针对模型不确定性多关节机器人的轨迹跟踪控制问题,研究多关节机器人全局滑模控制,为了削弱系统在滑动模态上的抖振,将模糊控制和全局滑模控制相结合,提出一种自学习模糊全局滑模控制方法.该方法利用模糊系统的输出代替全局滑模控制中的非连续开关切换量,并根据滑模变结构原理,设计自学习算法,动态调整模糊隶属函数的参数.通过对2关节机器人的仿真,结果表明在存在模型误差和外部扰动的情况下,该方法既能达到快速跟踪,又能很好地消除控制器的抖振.     

机器人系统的自适应模糊滑模控制算法仿真

针对具有参数不确定性的机器人动力学系统,根据滑模控制原理并利用模糊系统的逼近能力,提出了一种自适应模糊滑模控制方案．控制结构中采用模糊系统去自适应补偿过程的不确定性,利用Lyapunov定理证明了闭环模糊控制系统的稳定性和跟踪误差的收敛性．仿真结果表明了所提控制策略的有效性。     

非线性系统神经模糊自适应控制的问题与策略

针对具有未知动力学的机械臂系统 ,提出一系列神经模糊自适应控制方法。提出神经模糊动态逆稳定自适应控制方法 ,该方法使用动态神经模糊系统逼近非线性动态系统 ,设计的动态逆控制器可以通过参数的设定保证闭环系统在初始控制段的动态性能 ,而无需事先要求机械臂状态位于某一紧集的假设。结合延时神经模糊网络 ,引入降维观测器估计输出重定义后机械手的速度矢量 ,从而建立了非线性系统的控制器观测器设计的新方法。采用了动态逆和“Back-stepping(后退 )”的技术 ,将以上方法成功推广到了考虑执行电机动力学特性的柔性连杆机械臂问题上     

基于饱和函数的机械臂模糊滑模趋近律设计

为了削弱机械臂滑模控制中的抖振现象,提出了模糊趋近律的控制方法.利用模糊控制器实时调整滑模控制的趋近律参数,并将饱和函数引入趋近律的设计中,设计了一种新型趋近律.该方法既保证了控制系统的快速性和鲁棒性,又能够有效地削弱抖振,另外,控制系统设计简单,便于工程应用.仿真结果表明,该控制策略不仅有效地抑制了系统的抖振,而且保...     

用于机器手控制的在线的自组织模糊神经网络

基于动态自适应方法,本文提出了一种能动态生成自组织模糊神经网络(SOFNN)的新算法,并应用该算法能有效地估计机器手的非线性。本算法能自动划分输入输出空间,自学习调整高斯函数,模糊规则的构造及空间的划分数目是并行调整的。这个SOFNN算法的独特之处是:自组织动态结构、快速的学习能力,良好的鲁棒性。一个两自由度的工业机械手验证了其有效性。     

机械手单关节的混合模糊控制模型

本文建立了机械手的单关节控制模型,并提出了一种基于模糊理论的机械手控制方法－－混合模糊控制,克服了传统方法对机械手控制的静态误差不稳定,响应速度慢、平滑性差等问题,进而提出了关于机械手控制一个方向。     

基于改进型广义双曲正切模型的机器臂控制算法研究

针对存在复杂干扰情况下的机械臂轨迹跟踪控制问题,采用了一种基于双曲正切模型的鲁棒自适应控制方案。利用高解释性的改进型广义模糊双曲正切模型的全局逼近特点,设计一种自适应控制器用于机器人轨迹跟踪控制;同时以解一个线性矩阵不等式方程来保证系统的鲁棒稳定性。通过Lyapunov理论验证设计的控制器能够有效地克服不确定性对系统的影响,实现闭环系统的渐近稳定。仿真实验表明此控制算法具有较高的跟踪精度和较强的鲁棒性。     

机器人模糊学习控制

针对机器人轨迹跟踪控制问题,提出一种模糊学习算法,并设计出结构合理的模糊学习控制器,该控制器通过自身从过去趋向的学习能力可自动调整其模糊控制规则。将这种方法用于一个两自由度机械手的控制,仿真结果显示控制效果良好,所提出的控制器比惯用的模糊控制器展示出更良好的应用前景。     

基于模糊推理的机器人混合控制补偿方法

提出了一种基于模糊推理的机器人混合控制补偿方法。该方法用于复杂环境装配操作的混合控制后，提高了混合控制的精度。插孔实验表明，用该方法可以有效地消除环境干扰产生的振动。