均热炉温度神经网络迭代学习控制算法

针对具有不确定性的重复非线性均热炉温度控制系统,提出基于神经网络的迭代学习控制算法,该算法采用神经网络作为迭代学习控制器,以前馈方式作用于被控系统,并引入PID反馈控制器来提高系统的性能.仿真结果表明,针对过程存在的重复干扰,该算法比单纯反馈控制具有更好的控制效果.     

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.     

基于正交多项式的迭代学习控制算法及其应用

针对存在不确定扰动的线性系统的轨迹跟踪控制问题,提出了基于正交多项式的迭代学习算法．该算法利用正交多项式级数将系统参数化,运用其积分运算矩阵,导出了一种基于多项式级数的线性系统的近似模型．在此模型基础上,用迭代学习的方式来修正输入量的多项式展开系数,并运用LMI方法求解学习增益矩阵．所得算法在系统不满足正则性或无源性时,仍可以用输出误差信号来构造学习律．将该方法运用到直线电机的控制中,仿真结果表明,新算法能明显地提高直线电机的控制精度。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预...     

工程建模下过程控制的迭代学习控制算法及其收敛性

针对过程控制中工程化建模方法 ,得到的对象模型为传递函数形式 ,而目前的研究是化为状态空间表示 ,因而迭代学习算法及收敛性条件是以矩阵的形式表示 ,不太适合于实际应用的事实。文章用时频结合的方法给出了设定值变化下的迭代学习算法 ,并以系统参数形式地给出几种学习算法的收敛性定理 ,同时通过仿真表明其正确性     

不确定时滞系统的PD型迭代学习控制算法

针对不确定时滞系统,在网络时滞范围已知情况下,采用改进PD型迭代学习控制算法补偿网络时滞.在初态是严格重复时,给出这类系统的极限轨迹和迭代输出收敛于该极限轨迹的充分条件.并与P型迭代学习控制算法进行比较.仿真结果表明改进后的PD型迭代学习控制算法能够有效地补偿此类时滞.当网络时滞范围变窄时,能够更加精确跟踪极限轨迹.在相同迭代次数情况下,PD型迭代学习控制算法比P型迭代学习控制算法能更快收敛于极限轨迹.     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

机器人跟踪的迭代学习控制方法

针对机器人跟踪控制问题,提出一种改进的D型迭代学习控制律,给出迭代学习控制算法的充分条件和必要条件.该控制律除了利用机器人的关节位置及关节速度信息外,还引入了机器人的关节角加速度.利用控制律中的机器人关节角加速度构成的学习律在二关节操作臂上进行试验并且与D类学习律进行比较.仿真结果表明,该方法能大大提高学习速度,具有良好的控制性能.     

一种改进的非线性离散系统迭代学习控制算法

针对非线性离散时变系统的迭代学习控制问题,提出了一种改进的迭代学习控制算法。在新控制算法中,除了在传统算法基础上增加了状态补偿外,还引用了小波变换来对跟踪误差进行了滤波而没有相位补偿。利用该算法进行学习控制,使系统的实际输出以更快的速度收敛于系统的理想输出;并进一步从理论上证明了新算法的收敛性。     

基于迭代学习控制算法的下肢外骨骼机器人跟随特性研究

目前下肢外骨骼机器人存在的运动控制算法追踪人体髋关节和膝关节期望轨迹时存在误差,从而导致人机系统随动性能差。因此,本文提出迭代学习控制算法追踪人体髋关节和膝关节期望轨迹。首先,结合人体下肢结构分析,建立下肢外骨骼机器人动力学模型;其次,基于迭代学习控制算法建立下肢外骨骼机器人随动控制模型;最后,利用Matlab软件设计指数变增益闭环D型运动控制系统,分析收敛速度与谱半径的关系,追踪得到人体下肢髋关节和膝关节期望轨迹。仿真结果表明该算法能够有效提高下肢外骨骼机器人步态轨迹跟踪精度,提升人机系统随动性能。     

一种新的迭代学习控制快速算法

对一类连续系统的迭代学习控制问题进行了讨论，提出了一种新的迭代学习控制算法，该算法与目前的算法具有完全不同的形式，数值仿真结果表明了新算法的有效性与优越性。     

基于神经网络的无监督自学习控制系统

所论系统的控制由两个神经网络完成,即对象放识器和系统控制器。并且提出了一种 新的学习算法,它能利用存贮于辨识网络的信息改进控制策略。该控制系统可以对非线性系统,不确定系统等进行无监督的学习控制。     

基于自适应迭代学习算法的FNS肢体运动控制

首先介绍FNS系统的构成及工作原理,针对肢体肌肉的非线性时变性,建立了带反馈控制器的迭代学习控制算法,即复合控制器。曩后利用FNS肢体运动控制平台,采用复合控制算法,对人体曲肘和曲腕运动时的关节运动(角位移)轨迹进行了临床实验研究。结果表明,采用该算法,不仅改善了FNS系统的跟踪性能,而且肢体运动轨迹稳定、平滑,受试者无任何不良生理反应,具有较强的自适应性。     

基于RBF神经网络模型的单力臂机器人控制

针对单力臂机械手的控制,提出了一种基于RBF神经网络模型的控制方法;RBF神经网络即径向基函数,它本身是具有单隐层的三层前馈网络,从输入空间到输出空间的映射呈现非线性,但是从隐含层空间到输出空间的映射却呈现线性,又由于RBF网络它采用高斯基函数作为作用函数,它的输出与部分调参数有关,在输入空间的有限范围内不为零,是一种...     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

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。     

强流束晕-混沌的RBF神经网络控制

以周期性聚焦磁场通道中的Kapchinskij-Vladimirskij（K-V）分布离子束为对象,研究了强流束晕-混沌现象的RBFNN自适应控制方法.该方法以神经网络的输出作为周期聚焦磁场的线性控制因子,通过对外部磁场的线性调节实现束晕-混沌控制.模拟结果表明：当选择恰当的RBFNN控制结构,自适应调整其内部参数,可将混沌变化的束包络半径控制在匹配半径附近单周期稳定振荡;该方法用于多粒子模拟系统中,能较好改善束的品质,束晕-混沌现象能得到有效抑制.