基于ANN的模糊控制规则的自动生成

模糊控制规划集是模糊控制系统的核心部分，对控制的快速性和精度有很大影响，采用改进的ＢＰ算法生成模糊控制规则集。倒立摆模糊控制仿真表明，倒立摆稳定快，精度高，从而证明文中所提方法的有效性。     

基于Sugeno模糊模型的倒立摆模糊控制

当倒立摆的摆角及摆速很小时,对倒立摆系统的动力学方程进行局部线性化,采用Sugeno模糊模型,得到相应的模糊规则,然后选择期望的闭环极点,可设计出极点配置状态反馈控制器对倒立摆系统进行控制,仿真结果证明了该方法的有效性,能够实现倒立摆系统的稳定控制。     

倒立摆的Reinforcement Learning模糊自适应控制

根据Lagrange方程建立了单级倒立摆系统的数学模型，利用模糊自适应控制算法设计了倒立摆系统的控制器，并在Matlab的仿真模块中将倒立摆系统的数学模型和控制器结合起来．对倒立摆控制系统进行了仿真研究。结果表明，对于要求实时性较高的非线性不稳定系统。用模糊自适应控制算法可以按照控制要求在线调节控制参数，在最短的调整时间内取得良好的控制效果。     

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。     

二级倒立摆基于融合函数的模糊控制

文章针对多变量、非线性、强耦合性的二级倒立摆系统,采用模糊控制理论研究了二级倒立摆的稳定控制问题.考虑到二级倒立摆为多变量系统,为了解决模糊控制器规则组合爆炸问题,利用LQR控制方法设计了融合函数以降低模糊控制器的输入变量维数,降低了控制器的设计难度,并研究了量化因子对控制效果的影响,通过设置阈值使量化因子可自动调节,...     

基于DSP的旋转式倒立摆控制系统

介绍了基于DSP（digital signal processing，数字信号处理）控制器的旋转式倒立摆控制系统的总体结构和工作原理，对系统模型进行动力学分析，建立了一个四阶的状态空间方程，根据状态反馈方法邮倒立控制，在此基础上，设计了基于规则分析的摆起控制方案，最终实现了摆起－倒立控制，实验表明，系统的稳定性好，抗干扰能力强，使用DSP来控制倒立摆，有利于系统的小型化，控制更加快速，控制品质有很大提高。     

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。     

一级倒立摆的分层模糊控制

本文设计了两个模糊控制器即位置模糊控制器和角度模糊控制器,用这两个模糊控制器进行分层控制,并把位置模糊控制器控制输出作为一个虚拟角度乘以一个系数与摆杆的实际角度叠加形成一个广义角,以这个广义角和摆杆的角速度作为输入量输入给角度模糊控制器对摆杆的角度进行控制;通过matlab的Simulikn实现了倒立摆模糊控制系统的仿真,仿真结果证明：模糊控制器不仅可以稳定倒立摆系统,还可以使小车定位在特定位置。     

模糊神经网络控制倒立摆系统

对单级倒立摆进行了详细的受力分析。通过建立模糊规则，构造模糊神经网络系统，运用BP算法对系统进行训练，并用这一网络对倒立摆进行控制。仿真结果表明，模糊神经网络有很广阔的适用领域。     

基于增强学习规则的倒立摆模糊神经网络控制器

为实现模型未知、初始时有脉冲输入的车上单级倒立摆镇定控制,提出了一种采用增强学习规则训练的模糊神经网络控制器。以神经网络构造基于T-S(Tankagi-Sugeno)规则的模糊控制器;用3层前馈网络组成预测器进入仿真,得到倒立摆状态并计算状态预测值,再将状态和状态预测值组成训练数据对,训练状态预测BP(Backward Propagation)网络;利用增强学习的方法训练模糊控制器,根据神经网络产生的模糊控制量和倒立摆状态预测,做出控制决策。此方法简化了模糊控制部分参数调整,亦可应用于其他无模型控制。实验证明,控制器鲁棒性良好,即使在倒立摆参数变化较大时,控制器仍能维持倒立摆平衡。