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。     

环形单级倒立摆起摆控制研究

针对倒立摆的起摆控制，建立了环形单级倒立摆基于拉格朗日方程的运动方程，在此基础上提出了能量控制的概念，并将能量补偿控制应用在环形单级倒立摆系统上．仿真和实际控制结果表明了所提出方法的有效性和可行性．     

基于MATLAB的单级倒立摆系统研究

本文介绍了单级倒立摆系统及其物理模型、数学模型,分析了单级倒立摆系统的控制方法,并使用MATLAB仿真软件对单级倒立摆系统的控制性能进行了仿真分析。     

单级倒立摆的模糊控制及仿真

采用模糊控制的方法对单级倒立摆进行了控制，并用MATLAB进行了仿真，仿真结果符合控制要求．     

基于二级倒立摆的自适应神经网络模糊控制

针对二级倒立摆系统,提出了一种先进的智能控制策略．该种方法采用BP算法与梯度下降法结合的混合算法对Takagb-Sugeno模糊模型中的前项及后件参数进行优化修正,在已获得的客观输入输出数据对的基础上,提出一种基于自适应神经网络的模糊推理系统ANFIS来对倒立摆系统进行建模和控制．仿真结果表明,所提出的设计方法是正确的和可行的．     

基于自适应模糊神经网络的倒立摆控制仿真研究

提出一种自适应模糊神经网络,它能有效地学习和优化模糊控制规则和隶属度函数。并用该网络对单级倒立摆进行控制,仿真结果表明,该网络优于传统的模糊控制和神经网络。     

基于神经网络的非线性动力系统控制研究

基于改进BP神经网络,建立了一种自适应在线控制模型,并且该控制方法应用到离散非线性动力系统和倒立摆系统控制问题。为了避免BP神经网络在训练过程中的目标函数局部极小值问题,提出了一种基于BFGS优化算法的神经网络训练方法。与其它控制方法相对比,所提出的基于神经网络的倒立摆控制方法具有较高的控制精度。通过离散时间系统的控制模拟和倒立摆模型系统的控制两个算例,验证了所提出的控制方法的具有有效性和很好的控制效率。     

基于最优控制LQR的单级倒立摆系统仿真研究

单级倒立摆控制是一个即复杂而又对准确性、快速性要求很高的非线性不稳定系统控制问题.在倒立摆系统数学模型的基础上,对系统进行了性能分析.应用现代控制理论最优控制LQR方法对单级倒立摆系统进行仿真控制研究,仿真结果说明反馈控制理论对倒立摆系统的控制是有效的,无论是系统的输出还是各个状态变量都具有较好稳定性和一定的鲁棒性.     

基于模糊控制的单级旋转倒立摆系统设计

单级旋转倒立摆系统是一种典型复杂的，不稳定的非线性系统。该系统作为一种理想的实验平台，被广泛应用于控制理论教学和各种控制方法的验证中。该文介绍了单级旋转倒立摆的系统组成结构，设计了相应的模糊控制器，并以自制的单级旋转倒立摆为研究对象开展此项研究。最终的实验结果表明，该系统的稳态特性和动态特性均较优。     

三级倒立摆的GA-PIDNN系统辨识

针对典型的不稳定、多变量、非线性、强耦合的三级倒立摆系统,建立了基于GA优化的PID神经网络(GA-PIDNN)辨识结构,完成了GA与BP两种算法的简单对比,并给出了MATLAB仿真结果.结果表明,GA-PIDNN对于非线性三级倒立摆的辨识是有效的,且GA优于BP算法.     

基于BP神经网络的广义预测控制算法的研究与应用

本文提出了1种基于BP神经网络的广义预测控制算法,其实质是利用BP神经网络来求取广义预测控制的最优控制律.神经网络选用了具有良好逼近性能的BP结构.该算法对广义预测控制算法进行了简化,使其可以应用于快速系统的控制.最后,选用倒立摆系统作为研究的对象,将新算法应用于倒立摆的控制,取得了较好的控制效果.     

基于RBFNN整定的PID控制在柔性摆跟踪控制中的应用研究

本文提出了一种基于径向基函数神经网络（RBFNN）整定的PID控制策略,并将其应用于柔性倒立摆的跟踪控制。该方法通过神经网络辨识获取柔性摆的Jacobian信息,采用梯度下降法自适应调整PID的控制参数。仿真结果表明,与传统的PID控制效果相比,该控制方法响应速度快、超调量小,较好地解决了PID控制方法中参数整定困难的问题,实现了对柔性摆的有效跟踪控制。     

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。     

应用神经元控制器的实时控制装置和实验

针对平衡倒立摆这一非线性控制问题,设计了神经元控制器和控制装置,编制了实时控制程序.控制装置运行良好,成功地平衡了倒立摆.实时控制实验显示,当倒立摆的参数变化时,神经元控制器比一般的控制器具有强得多的自适应能力.     

内模原理在肢体平衡中的模型及应用

为了解决肢体平衡问题时可以保证系统在运动控制过程中的精确性和稳定性,该文在内模原理思想的基础上提出了一种基于预估器的小脑模型(KECFEL)。这种模型由前馈神经网络控制器构成;训练前馈模型中神经网络的教师信号由预估器以及反馈控制器(CFC)的输出来提供,并采用在线学习对网络进行权值更新与网络训练;同时采用比例微分控制器(PDC)作为反馈控制器以确保全局稳定性。通过该模型对倒立摆的仿真实验验证该模型对肢体平衡控制的有效性。     

基于LabVIEW的二级倒立摆控制系统三维仿真

倒立摆是控制理论研究和教学中广泛使用的典型模型,文章在LabVIEW环境下,以二级直线倒立摆为被控对象,利用虚拟现实技术,开发了倒立摆LQR三维仿真控制系统;使用LabVIEW的三维图形工具箱将倒立摆的三维模型导入LabVIEW中,并利用LabVIEW控制设计和仿真模块将数学模型和三维模型联系起来;通过倒立摆系统的仿真数据驱动倒立摆的三维虚拟模型,能够形象地反映真实倒立摆的运动状态。所开发的系统操作界面友好易用,用户可以方便地修改倒立摆模型和LQR控制器的参数。     

基于动态查询表的模糊控制策略及其应用

研究基于动态查询表的模糊控制策略及其在转臂式倒立摆中的应用.采用一种新的倒立摆系统的控制方法,将传感器检测的倒立摆的两个角度信息传送到控制器,控制器利用该信息的模糊化量按基于动态查询表的模糊控制策略进行实时计算,由得出的控制量控制力矩电机驱使摆杆运动,从而使摆臂处于动态的直立状态.采用C++语言实现了对倒立摆的控制.实验结果表明,这种控制方式能够提高系统的控制精度.