基于模糊神经网络的无人机实时避障算法

针对模糊控制避障算法在障碍物信息未知的环境中适应性不强,难以有效规避"凹多边形"障碍物的问题,提出了一种基于模糊神经网络的无人机实时避障算法.采用等效夹角对模糊控制器的输入变量进行优化设计,克服了单一角度或距离在障碍物表征方面的局部片面性.基于BP神经网络理论设计了模糊控制器的初始隶属度函数和模糊神经网络架构;将模糊控制器在多个未知环境下生成的有效避障数据作为训练数据集,对模糊神经网络进行训练.仿真结果表明:所提出的模糊神经网络方法与模糊控制器相比具有更强的适应性,在面对未知复杂障碍物时避障更加灵活、路径更短,避障成功率更高.     

未知环境下基于模糊神经网络的机器人路径规划

为提高移动机器人在未知环境下避障行为的成功率,通过对障碍物信息的输入,从控制输出数据中找出避障行为模式,生成相应的模糊逻辑控制规则,并把模糊控制算法引入到神经网络中,使得模糊控制器规则的在线精度和神经网络的学习速度均有较大的提高,使移动机器人具有较为迅速的反应能力,实现机器人连续、快速地避障并最终到达目标.系统仿真证明了模糊神经网络在移动机器人路径选择中的智能性.     

智能机器人的模糊神经网络避障算法

针对机器人避障过程中影响因素复杂及难以建立精确模型的问题,采用超声波传感器和定位传感器获取机器人所处环境的输入信息,对其进行模糊处理,并建立三层BP神经网络,进而提出机器人模糊神经网络避障控制算法。仿真结果表明:机器人能从起点安全、无碰撞地避开途中的障碍物,顺利到达终点,实现了安全避障,进而证明该算法能够使机器人在未知环境中准确地避障。     

一种阶梯攀爬机器人的新型智能控制策略

针对现有的移动机器人不能很好地适应存在未知障碍的楼宇环境,结合阶梯攀爬机器人的运动特点,设计了两个模糊控制器——避障控制器和阶梯识别控制器.利用模糊控制器输出权值,协调控制量,实现阶梯攀爬机器人在未知楼宇环境中的自主避障与翻越阶梯.通过仿真及实验验证,该机器人在模糊控制器与权值协调的控制下,能较好地适应未知楼宇环境.     

对角式舵轮分布的AGV路径纠偏控制研究

针对对角式舵轮分布的自动导航车(automated guided vehicle, AGV)的路径纠偏,提出了一种模糊控制+滑模控制的控制方法。首先,对角式舵轮分布的AGV进行数学描述,对其运动学、动力学分析建模;其次根据运动学模型,以车体位置、角度偏差为输入量,车体转向角度为输出量,设计模糊运动控制器作为外环控制器,然后根据其非线性动力学模型设计滑模控制器作为内环控制器;最后通过MATLAB环境下的Simulink仿真研究,表明所制定的控制策略有效,保证了对角式舵轮分布的AGV的快速且稳定的路径纠偏。     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果。     

基于粒子群算法的模糊神经网络控制器

将粒子群算法与模糊神经网络结合起来提出了一种粒子群模糊神经网络控制器,先用粒子群算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明该控制器比模糊神经控制器取得了更好的控制效果.     

一种基于模糊神经网络的智能PID控制器

本文设计了一种基于模糊神经网络的PID控制器,利用模糊神经网络对被控制象进行模糊辨识,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,实现PID控制的智能化。通过仿真实验表明,该控制器具有较高的控制品质。     

基于模糊算法的AUV避障与姿态控制

为了实现水下机器人(autonomous underwater vehicle,AUV)在水下的避障与姿态的稳定控制,提出了一种基于模糊算法的避障与姿态控制算法.通过分析AUV在水下的水平面和竖直面状况,分别构造满足其水平面和竖直面避障和姿态控制的模糊算法,并设计了相应的控制系统.设计的控制系统主要由2个模糊控制器组成,通过模糊控制器输出AUV的左、右和下潜加速度,利用模糊逻辑系统对其速度进行逼近,并利用AUV的速度信息实现AUV水平面和竖直面的避障与姿态的控制.通过在不同位置放置障碍物构建模拟场景,采用Matlab进行仿真试验.仿真结果表明,设计的基于模糊算法的避障与姿态控制方法能够满足设计要求.     

基于模糊神经网络的变风量空调末端控制方法

针对变风量空调系统末端的稳定控制问题,根据被控对象的特点,提出了采用模糊神经网络(FNN)控制变风量空调系统末端的方案。在MATLAB仿真环境下对模糊神经网络的控制效果进行了模拟仿真,并与普通模糊控制器及典型PID控制器的控制效果进行了比较,结果表明模糊神经网络控制器可以稳定、有效的控制变风量系统的末端装置。     

基于模糊控制技术的AGV运动控制器设计

针对AGV的控制要求,提出了一种模糊运动控制器的设计方案,阐述了模糊控制器的原理,制定了模糊控制规则,并在大量的实验基础上得到了解模糊结果。经实际运行验证,该AGV模糊控制器的稳态精度较高,纠偏速度较快,对场地适应性强、运行稳定可靠,具有较高的实用价值。     

二级倒立摆的TS型逐级模糊神经网络控制

提出了一种逐级模糊神经网络控制法．该控制法通过采用Takagi-Sugeno型模糊神经网络控制器和逐级模糊控制规则,实现了二级倒立摆系统的稳定控制．模糊神经网络控制器的参数采用遗传算法分4步进行优化．实验结果表明,采用逐级模糊神经网络控制法,用20条模糊规则就可以实现二级倒立摆系统的稳定控制,并且控制效果佳,系统鲁棒性强。     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

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     

基于模糊神经网络的机械手自适应控制

单纯的神经网络和单纯的模糊系统具有各自的优点和缺点,模糊神经网络是两者的结合,它可吸取两者的优点而达到更优良的性能。这里提出了一种基于模糊神经网络的自适应控制方法。在利用常规控制器提取初始模糊规则的基础上,利用专家经验对初始规则进行补充,最后再利用误差的反向传播算法对参数进行在线的自适应调整。该方法用于机械手的跟随控制,两个模糊神经网络分别用于主回路控制和对象的逆模型,最后得到了优于样本控制器的跟踪控制效果。     

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。     

基于模糊神经网络的车辆间距智能自适应控制

为了实现汽车行驶过程中与前车车距的自动控制,提出了一种基于模糊神经网络的车辆纵向间距智能自适应控制方法.利用神经网络对车辆纵向运动进行辨识,将神经网络和模糊控制结合起来,设计模糊神经网络加速度控制器,利用神经网络的学习功能修正控制器的隶属度函数的参数和控制规则.仿真表明系统响应快,控制精度高,和传统方法相比具有较强的抗干扰能力和自适应性.