进化学习模糊规则实现移动机器人的自适应导航

给出了一种轮式移动机器人导航的方法，机器人由一组动态变化的模糊规则集控制，通过遗传算法在线调整和学习模糊规则．根据机器人的运动模型构造了模糊控制器，采用变长度编码方法对规则编码，减少了染色体的尺寸和复杂度，提高了学习速度．通过竞争型小生境遗传算法解决了模糊规则的学习问题法，并分析了设计中遇到的如多条模糊规则同时激活的信度分配等问题．学习过程在二维仿真环境下完成，在自行开发的全局视觉平台上对学到的规则进行了验证．实验结果证明，该方法是正确可行的．     

新型模糊神经网络控制器在GTAW焊中的应用

钨极气体保护电弧焊(GTAW)过程是一个复杂的、多参数耦合的高度的非线性系统，难以实现实时、有效的在线控制．模糊控制吸收人的经验思维的特点；神经网络则对信息的处理具有自组织、自学习的特点；遗传算法是一种全局优化搜索方法，具有简单通用、适合并行处理的特点．笔者将三者有机地结合起来，在模糊神经网络控制器的基础上利用改进的遗传算法，并分析其网络结构和离线学习的方法，协调利用三者的优势设计一种新型的模糊控制器，并使之用于脉冲GTAW焊仿真中，结果证明该新型模糊神经网络控制器比传统的模糊控制器具有一定的优越性．     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法(GA)和模糊神经网络控制器的结构进行了说明.为了克服反向传播算法(BP)的缺点,通过遗传算法对模糊神经网络控制器的参数进行优化,亦即对模糊神经网络进行训练.用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象,仿真结果证实了其性能较常规模糊控制器优越.     

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。     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

基于模糊神经网络的参数自整定PID控制系统设计

利用多层神经网络构建模糊自适应PID控制器，通过神经网络自学习能力在线提取模糊控制规则，优化控制器隶属度函数，根据不同时刻的误差e和误差变化ec运用模糊推理在线自整定PID参数。仿真实验表明，该控制系统具有优良的控制性能。此外，通过遗传算法对模糊神经网络的学习速率和惯性系数等进行了优化，为控制系统实现最优控制提供了有力保证。     

基于遗传算法的模糊神经控制器的设计与仿真

根据遗传算法和智能控制的特点,提出了一种基于遗传算法的模糊神经网络控制器,遗传算法主要优化模糊神经控制器的隶属度参数和第三层的网络节点。对优化后的控制器进行了仿真比较研究.仿真结果表明,该控制器有较好的控制性能。     

基于遗传算法的模糊神经控制器的设计与仿真

根据遗传算法和智能控制的特点,提出了一种基于遗传算法的模糊神经网络控制器,遗传算法主要优化模糊神经控制器的隶属度参数和第三层的网络节点.对优化后的控制器进行了仿真比较研究.仿真结果表明,该控制器有较好的控制性能.     

采用神经网络和遗传算法组合的自学习模糊控制器

本文提出一种新型的、采用神经网络和遗传算法组合自学习构造模糊控制器的方法。该方法将神经网络的实时增强学习能力融合于遗传算法的全局搜索中,提高了系统的收敛速度、实时学习能力和控制性能,而不需要提供系统动力学知识和先验控制经验。作者以倒立摆系统和家用空调器作为控制对象,通过仿真计算检验了该方法的有效性。     

基于模糊神经网络的无刷直流电动机的速度调节器

提出了一种作为无刷直流电动机的速度调节器的参数自校正模糊神经网络控制器。重点研究了模糊控制器的设计、系统增益参数的确定方法和BP神经网络的实现方法。采用双模控制方法，提高了系统的性能。通过数字仿真，证明了采用模糊神经网络控制方法的速度调节器能够提高系统的动、静态特性，减小转矩脉动并使系统具有较强的鲁棒性和抗干扰能力，同时提高了系统的实时性。     

基于自适应模糊神经网络的机器人路径规划方法

为了解决传统反应式导航中的复杂陷阱问题,优化导航控制,减少计算复杂度,提出了基于自适应模糊神经网络的机器人导航控制及改进型虚目标路径规划方法.首先根据移动机器人运动学模型,融合神经网络的自主学习功能与模糊控制的模糊推理能力,提出了基于自适应模糊神经网络的机器人导航控制器,将生成的Takagi-Sugeno型模糊推理系统作为机器人局部反应控制的参考模型.该自适应模糊神经网络控制器实时输出扰动角度,在线调整移动机器人的预瞄准方向,使移动机器人能够无碰撞趋向目标.然后,提出了一种改进型虚目标方法,优先选择机器人可能逃脱陷阱状态的路径,简化了设计难度,改变了虚目标切换方式,避免了大量复杂计算.实验结果表明,提出的方法可以帮助机器人在全局信息未知的复杂环境中导航,在趋近目标点的过程中能有效避障,无冗余路径产生,且轨迹平滑.     

用于移动机器人的新型模糊神经元速度控制器

文中提出一种新型的模糊神经元速度控制器 ,为移动机器人解决位移转换成速度这个逆运动学问题 它把模糊论和预确定策略集成到神经元网络系统中 ,使得它能利用路径信息去控制机器人达到所希望的运动速度 模拟研究显示了它能控制机器人在静态或者动态的环境中 ,不通过学习就能沿着动态的避碰路径去捕捉目标 另外 ,可将其集成到其他的系统中去控制速度 ,或者作为一个独立的系统使用传感器信息去控制机器人的运动     

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     

基于视觉传感器的移动焊接机器人测控系统

设计焊枪侧置的轮式移动焊接机器人并搭建基于虚拟仪器的移动焊接机器人测控系统.在分析移动焊接机器人特点的基础上,设计由PC,NI-PCI7344,NI-DAQ6015以及图像采集卡等组成的硬件系统结构,采用LabVIEW编程平台编制测控系统软件.设计自适应模糊控制器和高斯基模糊神经网络控制器对十字滑块和车轮进行协调控制.采用高斯函数作为模糊神经网络的隶属函数,利用BP算法实现模糊隶属函数和控制规则的在线修改.实验结果表明:该测控系统运行稳定可靠,其跟踪精度可始终控制在-0.4～0.4n'mm以内,满足实际焊接工程的需要.     

采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

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.     

SCARA型机械臂的智能神经网络控制研究

在传统机械臂动态控制基础上,将RBF神经网络与模糊逻辑控制相结合,提出一种新的智能控制方法——RBF模糊神经网络控制方法。该方法使用两个子网络分别对关节1和关节2实施控制,最后通过协调级网络来消除和减小两个关节之间的耦合作用。以仿真实验结果说明该网络结构简单明确,计算更加有效,并通过适时地修正网络参数,在线调整了模糊隶属函数的中心值和宽度,所设计的控制器能快速、稳定地跟踪到期望轨迹。     

随动系统中机器人行走路径的规划研究

把模糊控制算法引入到神经网络中,从而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。实验室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。     

移动机器人PID运动控制器参数的模糊自整定

通过对移动机器人运动学模型进行分析 ,以基于视觉的双轮机器人为实验平台 ,论证了参数模糊自整定的PID控制技术应用于移动机器人运动控制中的可行性 .该方案根据控制要求 ,运用模糊推理技术 ,模仿人工整定控制器参数时的思维方式 ,对控制器参数进行调整 .不仅保证了准确性 ,提高了快速性 ,还增强了自适应能力 .实验证明此方法对移动机器人的运动控制是有效的 .