基于经验数据的学习控制在负载模拟器中的应用

本文针对以往单纯采用迭代学习控制引起的系统初始转矩冲击和收敛时间过长的问题,提出了一种新的基于经验数据的学习控制算法。指出影响系统输出的关键因素是舵机的转速。然后根据这个特点,应用迭代学习控制的经验,设计了一种简单的算法来确定迭代学习控制的初始输入量,再利用神经网络学习算法修正偏差。仿真结果表明基于经验数据的学习控制很好的解决了单纯采用迭代学习控制而引起的初始转矩冲击和收敛时间过长的问题。     

基于经验数据库的迭代学习初始控制输入量的确定

分析了初始控制输入量对迭代学习控制稳定性和收敛速度的影响，提出充分利用系统以往的控制经验来确定迭代学习初始控制输入量的思想，并给出3类确定方法——线性加权法、拟合曲线法和智能化法，对机器人对象的仿真结果表明，恰当地选取初始控制输入量，可使系统以较小的误差对新任务进行跟踪，进而减少迭代次数，提高学习控制的收敛速度，增强对新环境、新任务的适应能力。     

基于BP神经网络的迭代学习初始控制策略研究

针对传统迭代学习控制(ILC)在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,提出基于BP神经网络的迭代学习初始控制策略。通过BP神经网络拟和经验数据,对以往控制经验加以充分利用,避免了对初始控制输入量的盲目选择。仿真验证了方法的可行性和有效性。     

基于CMAC网络的迭代学习初始控制策略

针对传统迭代学习控制在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,首先引入迭代学习初始控制算法,并给出了算法收敛的充分必要条件;然后,利用小脑模型连接控制网络(CMAC)与反馈PID网络进行综合,在系统的历史控制经验基础上,估计系统的期望控制输入,作为迭代学习控制器的初始控制输入,再由开闭环P型迭代学习律逐步改善控制效果,从而避免了对初始控制输入量的盲目选择,使得系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的可行性与有效性。     

自适应神经模糊推理结合PID控制的并联机器人控制方法

针对6自由度液压驱动并联机器人的精确控制问题,提出一种结合自适应神经模糊推理系统(ANFIS)和比例积分微分(PID)控制的机器人控制方法。首先,利用浮动坐标系描述法(FFRF)来模拟机器人柔性组件,并构建并联机器人的拉格朗日动力学模型。然后,根据模糊推理中的模糊规则来自适应调整PID控制器参数。最后,利用神经自适应学习算法使模糊逻辑能计算隶属度函数参数,从而使模糊推理系统能追踪给定的输入和输出数据。将该控制器与传统PID控制器、模糊PID控制器进行比较,结果表明,ANFIS自整定PID控制器大大减小了末端器位移误差,能很好的控制并联机器人末端机械手的运动。     

即时学习算法在非线性系统迭代学习控制中的应用

运用即时学习算法来解决一类非线性系统的迭代学习控制初值问题。对于任何类型的迭代学习控制算法，即时学习算法都能有效地估计初始控制量，减小了初始输出误差，加快了算法的收敛速度，使得经过有限次迭代后系统输出能严格跟踪理想信号。对机器人系统的仿真结果表明了该方法的有效性。     

一种多级胶带调速系统研究

针对现有多级胶带调速系统采用二维模糊控制算法存在调节速度与期望速度误差较大的问题,建立了自适应神经模糊推理系统模型,设计了一种基于自适应神经模糊推理系统模型的多级胶带调速系统。该调速系统以第1条胶带的瞬时流量和实时速度为输入量,以变频器的调节频率为输出量实现调速。Matlab仿真结果表明,引入自适应神经模糊推理系统模型的多级胶带调速系统的速度误差可控制在2%以下,运量与带速匹配率得到了优化,对现今煤矿企业的节能减排具有一定的应用价值。     

非最小相位系统的基函数型自适应迭代学习控制

针对重复运行的未知非最小相位系统的轨迹跟踪问题, 结合时域稳定逆特点, 提出了一种新的基函数型自适应迭代学习控制(Basis function based adaptive iterative learning control, BFAILC)算法. 该算法在迭代控制过程中应用自适应迭代学习辨识算法估计基函数模型, 采用伪逆型学习律逼近系统的稳定逆, 保证了迭代学习控制的收敛性和鲁棒性. 以傅里叶基函数为例, 通过在非最小相位系统上的控制仿真, 验证了算法的有效性.     

多步k最近邻初值寻优的气压模拟系统遗忘迭代学习控制

高速列车车内压力波动过大会对乘客舒适性造成影响,而气压模拟系统是一套通过对车内模拟气压跟踪控制,实现对乘客舒适性进行研究的装置.为解决系统历史运行数据利用率低以及存在迭代初始误差导致系统收敛速度慢的问题,采用k最近邻(kNN)算法,建立一种基于历史控制信息的最优初次控制信号提取方法,并根据迭代学习控制的基本原理,将最优控制初值输入到带遗忘因子的迭代学习控制器中,通过不断迭代来实现车内期望气压轨迹的跟踪控制,并和基于大数据的迭代学习控制以及传统PID迭代学习控制进行对比分析.仿真结果表明:基于多步kNN的遗忘迭代学习控制收敛速度更快、系统抖动程度更小、控制精度更高以及算法鲁棒性更好.     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

基于自适应神经-模糊推理的计算机网络性能评价研究

根据带宽、时延、丢包率3个网络关键性能指标,建立了网络性能评价的自适应神经-模糊推理系统.通过对网络不同业务服务质量进行分析,实现了在给定输入负载下对网络性能的判定.仿真结果表明,建立的自适应神经-模糊推理系统能描述网络性能指标和输出的映射规律,能较准确的拟和数据,评价结果符合规律.因此,该方法合理有效,能够为网络信息传输提供决策支持.     

Adaptive control of bilateral teleoperation system with compensatory neural-fuzzy controllers

This paper presents two adaptive neural-fuzzy controllers equipped with compensatory fuzzy control in order to adjust membership functions, and as well to optimize the adaptive reasoning by using a compensatory learning algorithm. To the first controller is applied compensatory neural-fuzzy inference (CNFI) and to the second compensatory adaptive neural fuzzy inference system (CANFIS). Each controller is incorporated into a two channel bilateral teleoperation architecture involving force-position scheme, which combines the position control of the slave system with force reflection on the master. An analysis of stability and transparency based on a passivity framework is carried out. The resulting controllers are implemented on a one degree of freedom teleoperation system actuated by DC motors. The experimental results obtained show a fairly high accuracy in terms of position and force tracking, under free space motion and hard contact motion, what highlights the effectiveness of the proposed controllers.

     

DENFIS: dynamic evolving neural-fuzzy inference system and itsapplication for time-series prediction

This paper introduces a new type of fuzzy inference systems, denoted as dynamic evolving neural-fuzzy inference system (DENFIS), for adaptive online and offline learning, and their application for dynamic time series prediction. DENFIS evolve through incremental, hybrid (supervised/unsupervised), learning, and accommodate new input data, including new features, new classes, etc., through local element tuning. New fuzzy rules are created and updated during the operation of the system. At each time moment, the output of DENFIS is calculated through a fuzzy inference system based on m-most activated fuzzy rules which are dynamically chosen from a fuzzy rule set. Two approaches are proposed: (1) dynamic creation of a first-order Takagi-Sugeno-type fuzzy rule set for a DENFIS online model; and (2) creation of a first-order Takagi-Sugeno-type fuzzy rule set, or an expanded high-order one, for a DENFIS offline model. A set of fuzzy rules can be inserted into DENFIS before or during its learning process. Fuzzy rules can also be extracted during or after the learning process. An evolving clustering method (ECM), which is employed in both online and offline DENFIS models, is also introduced. It is demonstrated that DENFIS can effectively learn complex temporal sequences in an adaptive way and outperform some well-known, existing models     

纯碱碳化过程建模研究

提出一种基于T-S模型的自适应神经模糊推理系统(ANFIS)以解决纯碱碳化过程的复杂建模问题;运用该方法提取碳化过程出碱流量与塔内温度分布及进塔物料的实测数据,建立反映过程出碱流量变化的两种非线性模型;文章讨论了ANFIS网络的结构和学习算法,通过仿真对两种模型进行了对比,从反应机理上给出了模型优劣产生的原因,最后对出碱流量进行了参数预估。     

A Combined Adaptive Law for Fuzzy Iterative Learning Control of Nonlinear Systems With Varying Control Tasks

To deal with the iterative control of uncertain nonlinear systems with varying control tasks, nonzero initial resetting state errors, and nonrepeatable mismatched input disturbance, a new adaptive fuzzy iterative learning controller is proposed in this paper. The main structure of this learning controller is constructed by a fuzzy learning component and a robust learning component. For the fuzzy learning component, a fuzzy system used as an approximator is designed to compensate for the plant nonlinearity. For the robust learning component, a sliding-mode-like strategy is applied to overcome the nonlinear input gain, input disturbance, and fuzzy approximation error. Both designs are based on a time-varying boundary layer which is introduced not only to solve the problem of initial state errors but also to eliminate the possible undesirable chattering behavior. A new adaptive law combining time- and iteration-domain adaptation is derived to search for suitable values of control parameters and then guarantee the closed-loop stability and error convergence. This adaptive algorithm is designed without using projection or deadzone mechanism. With a suitable choice of the weighting gain, the memory size for the storage of parameter profiles can be greatly reduced. It is shown that all the adjustable parameters as well as internal signals remain bounded for all iterations. Moreover, the norm of tracking state error vector will asymptotically converge to a tunable residual set even when the desired tracking trajectory is varying between successive iterations.     

三级倒立摆的自适应神经模糊控制

在三级倒立摆(TIP)系统中, 应用神经网络与模糊控制相结合的自适应神经模糊推理系统(adaptive neuralfuzzy inference system), 根据样本数据调整隶属函数和控制规则参数, 使得训练后ANFIS控制器很好地模拟期望的输入输出数据. 仿真结果表明所设计的ANFIS控制器对三级倒立摆系统的稳定控制是可行的. 与LQR控制相比, 基于ANFIS控制的倒立摆系统具有良好的动态性能和抗干扰性能.     

非线性时变参数不确定系统的自适应迭代学习控制

利用离散时间轴与迭代轴之间的相似性, 提出了一种新的离散时间自适应迭代学习控制 (AILC) 方法来处理带有时变参数不确定性的非线性系统. 与自适应控制相类似, 所提出的 AILC 是基于投影算法的, 因此学习增益可以沿学习轴迭代地调节. 在随机初始状态和参考轨迹迭代变化的条件下, 所提出的 AILC 仍可沿迭代学习轴渐近地实现有限时间区间上的逐点收敛性.     

一种新的基于神经模糊推理网络的复杂系统模糊辨识方法

针对基于输入输出数据的复杂系统的模糊辨识问题,提出了一种新的神经模糊推理网络及相应的学习算法．学习算法被应用于系统的结构辨识与参数辨识．在结构辨识阶段,介绍了一种新的直接从输入输出数据中抽取和优化模糊规则的学习算法;在参数辨识阶段,提出和推导了一种非监督学习和监督学习相结合的混合式学习算法,实现模糊隶属函数的初步调整和优化．仿真结果表明,本文的方法可以同时满足对辨识精度、收敛速度、可读性和规则数的要求．