自适应模糊控制器在太阳房室温控制中的应用

自适应控制对由于工况变化、干扰或环境改变引起的对象特性变化能自动辨识,并自动调整控制策略;模糊控制可对复杂及难于建立数学模型的对象或过程实施有效的控制。自适应模糊控制则为解决复杂性、非线性和不确定性系统的控制问题提供了非常有效的方法。本文介绍了自适应模糊控制器在太阳房室温控制中的应用。     

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。     

一类带有监控器的自适应模糊神经网络机器人跟踪控制

提出一种自适应模糊神经网络(FNN)监督控制方案。该方案在FNN控制器的基础上串联一个监督控制器,实现对系统的跟踪控制。监督控制器在FNN控制器不能维持系统稳定时发挥作用,从而确保了闭环系统的全局稳定性,且使系统具有良好的跟踪性能。并把此方案应用在机器人跟踪控制上。仿真结果表明了该控制方案的可行性。     

模糊神经网络自适应PID控制在烟叶复烤系统中的应用

烟叶复烤过程具有时滞、不确定、非线性特性,仅利用常规P ID控制不能使复烤过程的各项性能指标满足要求.本文提出了一种模糊神经网络自适应P ID控制器,该控制器即具有模糊控制简单和有效的非线性控制作用,又具有神经网络学习和自适应能力和P ID的广泛适应性.仿真结果表明,该控制器能对烟叶复烤过程进行有效控制.     

自适应无色卡尔曼滤波算法的设计及其在机器人状态参数估计中的应用

针对机器人系统的状态参数不能完全依靠离线模式进行预测估计的问题,基于麻省理工学院提出的MIT规则,设计了一种具有自适应功能的无色卡尔曼滤波算法。该方法以信息方差的实际值与估计值的差作为指标参数,利用梯度下降法更新未知参数实现自适应控制。通过理论分析和实验验证,当系统的噪声统计特性发生变化时,所提出的自适应滤波算法能够自动地调节自身参数,减少系统先验噪声信息对于滤波器性能的影响,有效地提高滤波器的稳定性和估计的准确性。     

基于RBF神经网络的一类非线性系统模糊自适应控制

针对一类非线性不确定系统,基于ＲＢＦ神经网络,结合模糊滑模控制提出了一种自适应控制方法。根据Ｌｙａｐｕｎｏｖ稳定性理论设计ＲＢＦ网络和模糊滑模补偿控制器的参数。     

模糊自适应PID控制在磁悬浮试验台系统中的应用及基于Matlab的仿真

针对磁悬浮试验台的特点,基于模糊自适应控制理论,设计了模糊自适应PID控制器,实现了PID控制参数的在线自整定.通过Matlab软件下的Simulink工具箱和fuzzy工具箱,进行了单通道的磁悬浮试验台控制系统仿真,结果表明模糊自适应PID控制比常规PID控制效果好.     

卡尔曼滤波在视觉伺服机器人控制中的应用

在基于视觉伺服的机器人控制中,准确跟踪动态目标的关键在于快速准确地完成连续图像中的目标辨识.本文在基于特征差异的彩色目标识别方法的基础上,应用卡尔曼滤波算法对运动目标位置进行预测,在预测的局部范围内搜索匹配目标,将全局搜索改变为局部搜索,大大减少了图像处理数据量,提高了机器人快速跟踪运动目标的实时性.     

模糊自适应PID控制在阳极焙烧中的应用

阳极焙烧是铝工业的重要工序,温度是焙烧过程中最重要的控制参数,温度的控制系统是一个典型的非线性、时变、大滞后系统。应用模糊自适应PID控制器对其进行控制,既利用了模糊控制适应能力强、动态特性好、抗干扰能力强的特点,又利用PID控制消除了系统静差,使控制系统的动态和静态品质都得到极大的提高,取得了较理想的控制效果。     

一种模糊自适应控制器在室温控制中的应用

目前已广泛应用的新风机组空调系统，能满足对大多数室温的控制要求，但不能满足控制室内空间较大且干扰频繁的室温控制要求，针对这种情况应采用模糊自适应方法来调节室温。本文设计了直接自适应控制器，并用Matlab对该控制器的稳定性和鲁棒性进行仿真。仿真结果表明该模糊自适应控制器具有较好的鲁棒性、快速性和准确性的优点。     

神经网络分数阶PID在网络控制系统中的应用

文章针对网络控制系统(NCS)存在的网络延时问题,设计了一种基于RBF神经网络的分数阶PID控制器,并将该控制器应用在网络控制系统中,减小网络延时对控制系统的影响。该控制器利用RBF神经网络具有任意精度逼近非线性函数及训练速度快的优点,在线整定分数阶PID控制器,并采用分数阶PID控制器直接控制被控对象;选取Ethernet控制的弹簧-阻尼控制系统作为实验对象。实验结果表明:该控制系统具有响应速度快、控制精度高、鲁棒性强的特点,有效地减少了网络延时对NCS的影响。     

改进的RBFNN用于机器人三维表面 测量系统曲面重构

为克服三坐标测量机检测速度慢等缺点,提出机器人三维表面测量系统. 针对该系统设计了一种基于径向基神经网络(RBFNN)的简洁快速曲面重构方法. 该方法考虑到RBFNN选取的神经元函数为高斯函数,将机器人三维表面测量系统获得的点云数据投影到二维平面,然后将该二维平面平均分割,选取分割点为RBFNN神经元的中心,避免了模糊c-均值法选取中心需要迭代计算的缺点,并且重构的网络训练精度和测试精度均高于模糊c-均值法选取中心设计的网络精度. 利用该测量系统获得的实际点云数据验证了     

机器人液压驱动器神经网络自适应最优控制

为了有效地控制液压非线性系统,提出基于RBF神经网络的自适应最优控制系统,应用于机器人液压驱动器.首先,建立了液压系统的动力学模型;然后,输入幅值和频率连续变化的信号,应用卡尔曼滤波器估计液压系统状态,进而计算出模型参数,对模型参数进行分组用于训练RBF神经网络;接着,对不同组参数求平均作为参考点,用RBF神经网络学习最优控制器反馈增益随系统参数的变化规律;最后,训练完成的神经网络根据卡尔曼滤波器参数估计值在线预测并调节控制器增益.经实验验证,该控制系统调节时间和跟踪误差仅为普通线性二次型最优控制器的1/2和1/3左右.     

自适应卡尔曼滤波器在机器人控制中的应用

机器人控制系统在实际工作中不可避免地要受到随机噪声的影响,当噪声的统计特性已知时,可以考虑采用常规Kalman滤波以抑制随机噪声对控制性能的影响;但当噪声的统计特性不完全已知时,常规Kalman滤波的滤波性能会下降甚至会引起发散。根据机器人的动态特性,设计了一个自适应Kalman滤波器,并对该滤波器应用于机器人控制系统进行了仿真实验研究。仿真结果表明,所设计的滤波器能够较好地抑制方差和均值未知的测量噪声对机器人控制系统的影响,控制系统的动态性能得到了较大的改善。     

模糊神经网络在四足步行机器人控制中的应用

将神经网络和模糊控制理论应用于四足步行机器人的控制中，并在实验基础上选取样本，设计了针对四足步行机器人的模糊神经网络控制系统．     

组合导航系统中模糊自适应卡尔曼滤波器的设计

为了解决常规卡尔曼滤波法存在的不足,给出了用模糊推理系统与卡尔曼法相结合的方法。该方法通过监视理论残差和实际残差的协方差一致程度,应用模糊系统不断调整滤波器的增益系数,对卡尔曼滤波器进行在线自适应控制,最终实现最优估计。通过对INS/GPS组合导航系统的计算机仿真,结果表明该方法是有效、实用的。     

RBF网络自整定PID控制在网络化控制系统中的应用

文章针对网络化控制系统普遍存在的时延问题,介绍了一种基于径向基函数神经网络自整定PID的控制策略.在Matlab/Simulink环境下搭建了基于TrueTime工具箱的网络控制系统的仿真平台.仿真结果表明:与常规PID控制相比,神经网络自整定PID控制算法可有效地提高系统的鲁棒性和自适应性,且此方法易于实现,便于工程...     

基于神经网络补偿的多传感器航迹融合

针对多传感器环境的条件提出了一种基于神经网络补偿的航迹融合方法.各传感器的测量值用线性卡尔曼滤波器进行处理并将获得的局部航迹传送到融合中心.首先对局部航迹进行融合,然后引入神经网络来减少因共同过程噪声而导致的融合估计误差,其中神经网络采用Dan Si-mon提出的网络结构,并对神经网络权值的优化采用无痕卡尔曼滤波(UKF).仿真结果表明,这种融合方法对跟踪具有过程噪声的目标非常有效,而且过程噪声发生变化时该方法仍是有效的,从而使得它在很多实际应用中具有潜在的价值.     

基于RBFNN的强化学习在机器人导航中的应用

在复杂连续环境下,强化学习系统的状态空间面临维数灾难问题,需要采取量化的方法,降低输入空间的复杂度。径向基神经网络(RBFNN:Radial Basis Function Neural Networks)具有较强的函数逼近能力及泛化能力,由此提出了基于径向基神经网络的Q学习方法,并将其应用于单机器人的自主导航。在基于径向基神经网络的强化学习系统中,用径向基神经网络逼近状态空间和Q函数,使学习系统具有良好的泛化能力。仿真结果表明,该导航方法具有较强的避碰能力,提高了机器人对环境的适应能力。