一种新的CMAC实时在线控制器

针对两关节焊接机械手的自适应实时控制,提出了一种双CMAC网络加PD控制器的实时自学习控制器结构。利用两个信度指派CMAC网络分别逼近两关节机械手的不同关节的逆模型,大大减少了CMAC网络需要的存储空间,避免了必须的HASH地址映射;在CMAC加PD控制器结构中采用了不同于传统的CMAC网络权值修正方法,不仅提高了模型的逼近精度,同时将CMAC运行所需要的时间减少为原来的一半,增强了PD参数的鲁棒性,更加有利于实时控制的进行。     

一种CMAC神经网络的直接地址映射

在研究CMAC网络模型结构和工作原理的基础上,改进了CMAC权值存贮空间地址映射,提出了新的地址映射公式,应用此公式由输入空间直接映射到一个远小于理论值的紧凑地址空间.并仿真对比了已有的一种机械手逆运动学控制系统,仿真实验表明,应用此映射在更少的存贮空间条件下能达到同样的控制性能,便于硬件的实现.     

基于CMAC和PID的非线性耦合系统解耦控制研究

为了实现多变量非线性耦合系统的解耦控制,提出了一种基于CMAC与PID的复杂关联自适应解耦控制策略,并给出了详细算法。该控制策略采用PID控制器和CMAC控制器共同构成一个复合控制器,多个复合控制器通过多输入多输出线性神经网络,实施对复杂非线性耦合对象的控制作用。由于神经网络的自适应特性,可使得耦合系统逼近参考模型,实现解耦控制。仿真结果表明,该控制策略实现了耦合系统的解耦控制,并且具有较强的抗干扰能力和鲁棒性。因此采用此控制策略能够实现多变量非线性耦合系统的解耦控制。     

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     

机器人逆模神经控制及其应用

提出了一种机器人的神经控制方法，把神经网络和ＰＩＤ控制相结合构成一种混合性的机器人逆模学习控制方案，分析了神经控制系统的稳定性与学习算法的收敛性．此外，还提出了一种启发式学习算法，并用于机器人的神经控制．最后给出两关节机器人的仿真结果．其结果表明所提出的逆模学习神经控制具有较快的收敛速度和较高的精度，能够满足实时控制要求，是一种有效的控制方法．     

基于径向基函数网络的非线性通用模型控制

为了克服通用模型控制器要求过程一阶微分模型应该有显式解的局限性,提出了一种基于神经网络的通用模型控制方法,将非线性过程模型应用逆系统的方法在控制算法中直接嵌入过程模型,从而保证通用模型控制策略的可实现性。其参考轨迹是一条典型的二阶曲线,由于径向基函数网络具有许多优点,该控制策略中的神经网络为径向基函数网络。该控制器参数具有明显的物理意义,参数整定方便。仿真实验验证了该控制策略的有效性。     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于复合正交神经网络的广义通用模型自适应控制

在自适应逆控制中应用复合正交神经网络具有算法简单、学习收敛速度快等优点,将复合正交神经网络与广义通用模型控制器策略相结合,提出了一种基于神经网络的广义通用模型自适应控制方法.该控制方法中的参考轨迹为一条典型的二阶曲线,控制器参数具有明显的物理意义,参数整定方便.仿真实验验证了该控制策略的有效性.     

基于RBF网络的机械手迭代学习控制器

针对迭代学习控制用于机械手轨迹跟踪时存在的收敛速度慢的问题,提出了一种基于RBF网络的迭代学习控制器,利用先前跟踪不同期望轨迹所得的经验构造新的初始控制量以加快收敛速度.将给定的期望跟踪轨迹分解成多个查询点,然后用RBF网络对每个查询点周围最邻近的k个数据点进行拟合以建立系统的逆动力学特性估计,进而预测相应于查询点的初始控制输入.为验证所提方法的有效性,对一平面双连杆机械手进行了仿真研究.     

基于模糊系统的新型CMAC神经网络及学习算法

提出了一种基于模糊系统的新型CMAC神经网络，该神经网络与CMAC相比，它不需要对输入分量进行量化，而且能够根据实际问题的性质来初始化网络参数，有利于提高网络的收敛速度，与一般的FCMAC相比，它的逼近精度更高，能够解决CMAC系列网络逼近精度不高的弱点，所以此网络的实际应用前景更广阔，所做的大量仿真实验也证明了这一特性。     

先进过程控制(APC)技术介绍与比较

综合大量中外文献的基础上 ,对过程模型进行分类讨论 ,着重论述和比较了基于模型的控制———内膜控制、模型预测控制、自适应控制以及智能控制中典型先进控制技术的概念、结构、特征和优点 ,最后给出了研究的前景     

多模型内模PID控制

对于参数时变的时滞过程,较大的模型失配会使系统的动态特性和控制质量变坏甚至造成系统失稳。针对这一问题,本文提出一种新的多个PID控制器协作的内模控制方法,每个模型将来时刻的输出量由以前对应时刻的输入和输出值预测得到,再通过每个预测误差计算出各个控制器输出量的权值,多个控制器输出量的加权和作为现在时刻的控制量。这种方法克服了参数摄动对系统性能的影响。仿真结果说明了这些方法的有效性。     

基于模型预测内模的实时控制算法

对具有滞后性、外界扰动和被控对象参数不确定性、快速性要求高的一类单输入-单输出线性系统的非恒值实时控制的模型预测内模的控制算法进行了进一步的分析研究.从理论上分析了该控制算法的系统稳定性条件、稳态控制误差,研究了在逆变电源控制系统中,该控制算法对负载的鲁棒性和对扰动的抑制能力.算法仿真表明:该控制算法能够克服外界扰动和被控对象参数不确定性,系统具有较强的鲁棒性,稳态控制精度高,动态响应速度快.     

基于Volterra级数模型的内模控制方法

针对一大类具有一定不确定性的非线性系统,提出基于Volterra级数模型的鲁棒内模控制器设计方法。利用局部形式的小增益定理,得到在辨识模型和实际对象模型失配的情况下,闭环系统鲁棒稳定的充分条件。对于设定点调节问题,得出闭环系统获得零稳态误差跟踪性能的充分条件。通过对一个连续搅拌反应池（CSTR）过程控制问题的仿真研究表明,应用该方法可以取得良好的控制效果。     

具有比例积分结构的模型算法自适应控制器

通过构造新型目标函数,并且采用加权预测控制律代替一步预测控制量,得出了一种具有比例加积分结构的自适应模型算法加权控制器．该控制器能实现无偏差跟踪参考输入轨迹．仿真结果表明,对于时变对象,新算法自适应控制比基本型模型算法控制具有更强的鲁棒性．     

基于模糊趋近律的自适应滑模变结构控制

针对一类非线性不确定系统,把自适应模型跟踪控制和模糊控制与趋近律相结合,提出一种新的自适应模糊滑模变结构控制方案.不仅消除了滑模变结构控制固有的高频颤动现象,对模型不确定性和外部干扰具有较强的鲁棒性,而且改善了系统到达段的品质,同时跟踪误差可收敛到零的一个邻域内.仿真结果也表明了该方案的正确性.     

采用方向预瞄的内模驾驶员模型

为了建立与真实情况更加相符的驾驶员模型,针对汽车驾驶员对整车不确定参数的自适应性,在分析汽车驾驶员预瞄、决策和自适应机理的基础上,建立了基于方向预瞄的内模驾驶员模型。该模型由驾驶员方向预瞄模型、驾驶员决策模型和驾驶员内模模型组成。汽车双移线工况仿真结果表明,内模驾驶员模型能够有效地用于汽车转向控制,并能够充分体现汽车驾驶员所具有的对不确定参数的适应性。     

有控制输出限幅的智能内模控制器的一种改进

内模控制自提出以来，以其设计简单、参数调节直观等特点得到了广泛的应用，但在实际应用中必须考虑控制量受限，本文提出了一种处理控制量受限问题的改进方法，该方法基于模型预测，可获得比简单的一步预测更好的控制效果。     

鲁棒部分分散控制器的独立设计

提出了一个鲁棒部分分散控制器的独立设计方法。该方法是将部分分散控制系统扩展为非方分散结构,再通过求取对象的广义逆矩阵来设计内模控制器(此法打破了内模控制器只能对方系统进行控制的局限性),最后通过选择特殊形式的滤波器保证了系统的稳定性。通过仿真证明,用该方法设计的控制系统具有较好的可控性和强鲁棒性。