改进神经网络自适应滑模控制的机器人轨迹跟踪控制

为了提高机器人轨迹跟踪控制性能,在神经网络滑模控制方法的基础上,提出了一种改进型神经网络自适应滑模控制方法.该方法将神经网络作为控制器,利用其非线性映射能力来逼近各种未知非线性,同时通过在控制律中加入鲁棒项来消除逼近误差.考虑到隐含层单元数和网络结构参数对神经网络映射有效性的影响,将降低抖振作为优化目标,采用粒子群优化算法对网络结构参数进行优化.最后在Matlab/Simulink环境下进行了仿真实验,并与其他控制方法进行了对比分析.仿真结果表明,基于该方法所设计的控制系统具有良好的鲁棒性和控制精确度,同时有效地削弱了抖振.     

用T-S型模糊神经网络的机械手轨迹跟踪自适应控制

对于常见的将 CMAC神经网络前馈控制器和常规反馈控制器相结合的机械手轨迹跟踪控制方案 ,它的控制性能同时受神经网络前馈控制器学习能力和反馈控制器控制精度的制约。该文提出的采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案充分利用了 T- S模糊模型的特点和优点 ,以一种基于简化的 T- S型的模糊神经网络作为前馈控制器 ,同时反馈控制器也采用 T- S型模糊神经网络实现。针对三自由度机械手轨迹跟踪问题的仿真实验表明 ,采用 T- S型模糊神经网络的机械手轨迹跟踪自适应控制方案是可行的和有效的     

机器人的自适应神经全局滑模轨迹跟踪控制

针对具有不确定性的机器人系统,提出一种自适应神经全局滑模轨迹跟踪控制方案.控制器采用一种新的全局滑模面,使得系统在整个响应时间内都具有鲁棒性;并基于径向基函数神经网络自适应学习不确定性的未知上界,从而自适应调整控制律的切换增益.而且基于Lyapunov稳定性理论证明这种新型控制器能够保证机器人系统关节角位置矢量和角速度矢量的跟踪误差渐近收敛于0.仿真结果表明提出的控制策略能够使机器人系统仅在0.5 s内就实现快速的轨迹跟踪,可见该方案是可行且有效的.     

基于自适应神经网络的歼击机模糊跟踪控制

提出了一种基于T-S模糊模型和自适应神经网络的跟踪控制方法.在系统具有未知不确定非线性特性的情况下,利用T-S模糊模型对系统的已知特性进行近似建模,设计基于模糊模型的模糊H∞跟踪控制律进行输出跟踪控制.在模糊控制的基础上,引入了基于RBF神经网络的自适应控制,用于在线对消不确定项和模糊建模误差的影响,以保证系统具有期望的鲁棒H∞跟踪性能.所提出的方案保证了闭环系统的稳定性,有效地提高了系统的鲁棒性和跟踪性能.仿真实例表明了所提出方法的有效性.     

具有清晰暂态性能的机器人鲁棒自适应跟踪控制

基于不确定性机器人的轨迹跟踪问题,提出一种保证系统具有清晰暂态的鲁棒自适应控制策略,控制器由一个简单的线性ＰＤ反馈＋非线笥阻尼＋标量不确定性补偿控制器构成,不需传统的回归矩阵计算,能够有效地克服通常难于建模的摩擦力和外部扰动影响,只需了解系统的阶数和输出的位置及速度状态,保证全局的中全局一致最后有界,二自由度机器人的仿真证明了该法的有效 性。     

基于屏障函数的船舶自适应控制

针对自主水面船舶的轨迹跟踪问题,提出了一种基于屏障函数的自适应滑模控制方法.根据滑模的收敛性,设置了一个切换自适应律,在不需要外部干扰先验信息的情况下,能够做到自适应的调节滑模增益.滑动变量能够收敛,并且保持在一个与干扰上界无关的预定义的零的邻域内,屏障函数能保证滑模增益始终动态地大于不确定外部环境干扰,从而确保自主水面船舶的轨迹跟踪性能.通过李雅普诺夫理论分析,证明了自主水面船舶系统能够在有限时间内到达预定义的零的邻域.最后通过仿真结果验证针对船舶轨迹跟踪问题所设计控制器的有效性.由仿真结果可知,在这种控制器作用下,船舶轨迹能够很好地跟踪上期望轨迹.     

一类基于 RBF 网络机械手的轨迹稳定跟踪控制

目的 针对具有外界干扰不确定性的柔性关节机械手实际轨迹跟踪稳定性问题,提出一种自适应动态面控 制与神经网络相结合的方法。 方法 对于非线性系统中的函数以及未知参数,根据径向基函数(RBF)神经网 点对其进行逼近,并对来自外界对系统的干扰项,通过设计阻尼项将其补偿,再根据动态面的相 络的特 关知识对该非线性 系统中的控制器进行设计且实现关节轨迹跟踪控制。 结果 仿真结果表明:在非线性系统中,该方法能够克服干扰 不确定性项,实现机械手连杆转角 q 较好的跟踪效果,误差缩在 5%以内,具有较强的跟踪稳定性,且随着时间的进 行,跟踪误差愈发减小且趋向于 0,对于参数的估计以及逼近都达到了理想的阈值。 结论 该方法保证了闭环非线 性系统半全局稳定,又可利用参数调节的方式达到跟踪误差任意小,且设计的控制器不但保证了机械手的位置跟 踪稳定性,而且很好地解决了跟踪抖动问题。     

基于滑模PID的微型旋翼飞行器轨迹跟踪控制

针对微型旋翼飞行器的轨迹跟踪精度不高的问题, 提出一种基于自适应调节PID（Proportion Integration Differentiation）增益的滑模控制器。基于李亚普诺夫稳定性理论, 通过自适应律在线调节PID控制增益参数, 设计饱和函数抑制滑模控制器的高频抖振, 以实现轨迹跟踪误差系统对模型参数变化和外部扰动的鲁棒性。仿真结果表明, 该控制器能驱动旋翼飞行器精确跟踪期望的轨迹, 具有较高的控制精度, 能满足实际工程应用的要求。     

基于无模型自适应控制算法的机械臂轨迹跟踪控制

机械臂控制研究领域目前研究的热点分为目标点的位置控制和运动轨迹跟踪两方面.目标位置点的控制重点在于对末端执行器的位置点位的控制,对中间各个轴的运动过程并不关心;轨迹控制的重点在于通过各个轴的力矩控制来使其运行过程更加连续,更好地实现工作要求.针对机械手控制过程中总是存在不确定的情况,利用基于紧格式无模型自适应控制算法分...     

基于滑模控制器的电弧传感焊接机器人轨迹跟踪控制研究

针对电弧传感焊接机器人系统的非完整约束性,建立了机器人运动学模型,通过讨论两后轮为控制输入的电弧传感焊接机器人轨迹跟踪问题,设计了一种滑模控制器,且应用Lyapunov稳定性理论保证了跟踪误差渐近收敛到零.经直线和圆弧2种轨迹跟踪的实验仿真结果,验证了所设计控制器的有效性和正确性.     

基于强化学习的指定性能轨迹跟踪最优控制

为保证无人船对期望轨迹的高动态精确跟踪,针对带有输入饱和限制的无人船轨迹跟踪系统,提出一种基于强化学习的指定性能轨迹跟踪最优控制策略.采用双曲正切函数逼近饱和函数,并利用指定性能控制技术将无人船跟踪误差进行误差转换,使跟踪动态误差约束在期望的指定范围内以保证轨迹跟踪系统的高动态性能.在此基础上,采用最优控制理论与强化学...     

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。     

基于多层神经网络控制的动态自适应播放

基于流媒体客户端缓冲的被动变化可以通过自适应媒体播放(AM P)技术修改播放速度来调节,为了减轻AM P中速度突变对播放质量的影响,提高变速的性能,提出了一种基于多层神经网络控制的AM P方法,产生随当前缓冲动态变化的速度,并且保持缓冲稳定在一定的范围内。该方法引入了多层神经网络控制结构,并采用反向传播学习算法(BP)进行离线训练。仿真结果表明:该方法产生的速度平均幅值和变化增量可以减少0~100%,性能比原AM P方法更好。     

基于改进RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

基于神经网络的时变时滞系统自适应内模控制

将基于人工神经网络的时变时滞系统参数辨识算法与内模控制相结合 ,提出了时变时滞系统自适应内模控制算法 .理论分析及仿真结果表明 ,该算法能克服时滞及参数的变化 ,具有鲁棒性好、抗干扰能力强的特点     

Adaptive trajectory tracking control of two-wheeled self-balance robot

Wheeled mobile robot is one of the well-known nonholonomic systems.A two-wheeled self-balancerobot is taken as the research objective.This paper carried out a detailed force analysis of the robot andestablished a non-linear dynamics model.An adaptive tracking controller for the kinematic model of anonholonomic mobile robot with unknown parameters is also proposed.Using control Lyapunov function(CLF),the controller's global asymptotic stability has been proven.The adaptive trajectory trackingcontroller d...     

基于神经网络的自适应动态电源管理模型

利用人工神经网络具有从大量不完整数据中逐步获取知识并进行复杂目标优化的能力,提出一种基于改进的BP神经网络预测功耗可管理器件空闲时间长度的自适应动态电源管理模型(AMBA).该模型根据空闲时间长度预测值选择最佳低功耗模式,并且通过预测性能评估结果动态调整神经网络的网络权值,从而能够自适应功耗可管理器件负载特性的变化.仿真结果表明了该模型的有效性,预测正确率可以达到80%左右,平均功耗比指数平均预测方法降低了30%,比Timeout策略降低了37%.