水下机器人T-S型模糊神经网络控制

针对水下机器人模糊神经网络控制器运算量大和对强外界扰动的鲁棒性差及存在滞后性的问题,提出基于混合学习算法的水下机器人T-S型模糊神经网络控制方法.采用免疫遗传算法离线优化和神经网络自学习在线调整隶属函数的参数,从而减少神经网络的运算量,增强水下机器人对环境变化的反应能力.采用T-S模型,由后件网络动态调整模糊规则,提高控制系统的适应性.通过某微小型水下机器人的仿真和外场实验验证方法的可行性和优越性.实验结果表明,控制器对外界扰动具有较强的鲁棒性,保证即使在恶劣情况下,控制性能仍保持在较高水平.     

基于Petri网的递归模型构造与分析

在软件的设计过程中,开发者通常会使用递归的方法来代替复杂的循环过程.虽然递归的方法相对简单,却比较难于理解和控制.本文使用Petri网工具,通过建模的方法针对递归过程进行分析和模拟.在以往的研究中,Petri网很少被用于构造递归模型.文中建立了一个递归模型,提供了形式化建模方法和验证,并通过Java程序对其进行了模拟验证,达到了对递归过程分析的目的.     

基于神经网络的自主水下机器人动态反馈控制

针对自主水下机器人数学模型的强非线性及所受海流干扰无法确定等特点,设计了基于神经网络补偿器的动态反馈控制算法.通过对自主水下机器人系统数学模型研究,将系统分解为近似线性部分与非线性不确定部分.通过动态反馈控制实现对分解出的近似线性部分进行初步控制,利用神经网络所具有的自适应控制实现对不确定模型与干扰项进行补偿控制,提高...     

基于递归模糊神经网络的PMLSM伺服控制

为了增强永磁直线同步电机（PMLSM）直接驱动系统的鲁棒性,改善系统受突加扰动情况下的性能,结合递归神经网络与模糊控制的优点,设计了基于递归模糊神经网络补偿器的PMLSM位置控制器。仿真结果表明,所设计的系统能实现对位置阶跃指令的快速无超调跟踪和稳态无静差,具有很强的鲁棒性,能够满足高精度、微进给永磁直线同步电机伺服驱动系统的要求。     

基于递归神经网络的无刷直流电动机控制研究

基于动态模型提出了一种性能较好的递归模糊神经网络无速度传感器无刷直流电动机控制方法,即采用递归模糊神经网络控制器作为转速控制器来近似最优控制器输出。仿真结果表明,当系统参数动态变化或受到外部不确定因素影响时,利用神经网络来在线调整网络的隶属函数参数以及神经网络递归权值,使系统具有良好的动、静态性能。     

永磁直线同步伺服系统混合递归模糊神经网络控制

针对直线电机易受诸多不确定因素的影响，提出了采用递归模糊神经网络和扰动观测器的控制方案。系统采用IP位置控制器；扰动观测器将所观测的扰动力前馈，提高了系统的抗干扰能力。为改善系统受到突加减扰动时的伺服性能，引进了递归模糊神经网络补偿器，采用动态反馈学习算法，在线调整。仿真结果表明，该控制方案可以有效增强系统的鲁棒性。     

水下机器人运动的免疫控制方法

由于水下机器人系统的非线性以及所处环境的不确定性、水下机器人进行精确运动控制技术一直是智能水下机器人技术中急于解决而又难以解决的问题.基于生物免疫系统的生理特性,以免疫系统T细胞、B细胞与免疫应答为基础,引入了一种免疫控算法,并在此算法的基础上又提出基于Sigmoid非线性模型的改进型免疫控制器.大量的仿真实验证明,该新型免疫控制模型,对于水下机器人的运动非线性控制器具有设计简单、响应速度快、超调小、鲁棒性好等各种优点.     

基于Petri网的消防机器人任务分配及路径规划方法

针对多类型消防机器人协同工作的任务分配及路径规划问题,建立了能够描述消防机器人运行状态的Petri网模型.以消防机器人总工作时间最小化为优化目标,结合Petri网结构特性提出了一种整数线性规划方法.首先,根据消防机器人的任务需求,将消防机器人的工作环境划分为不同类型的工作区域.其次,基于Petri网的结构特性构建整数线...     

基于模糊神经网络的机器人自学习控制

研究了一种模糊神经网络与传统PD控制相结合的机器人学习控制系统,该控制系统具有自学习、自适应、控制精度高等特点。     

基于神经网络和智能预测控制的机器人算法

提出了一种新颖的控制方案，即采用神经网络预测控制器来控制机器人的力／位置．这种控制器能任意逼近机器人这种不确定对象，不用知道系统的精确结构，同时由于预测控制的加入，使系统在线计算方便，控制质量提高了。通过对机器人的仿真结果可以看出，传统的PID对于不确定对象不能很好的解决，而采用本文设计的控制器，系统的鲁棒性和快速性都得到了改善，并且具有较好的控制效果。     

基于RBF神经网络滑模控制的双尾鳍机器鱼

为了开展水下探测,设计了一种双尾鳍水下机器鱼。由于其存在模型参数不确定性和复杂水波干扰,为了得到较好的控制效果,建立了带有参数不确定因子的动力学模型,并在此基础上设计了径向基函数(RBF)神经网络滑模控制器。利用Lyapunov函数证明了控制系统的稳定性。仿真结果表明,与传统的PID控制器相比,所设计的RBF神经网络滑模控制器对双尾鳍水下机器鱼模型参数变化不敏感,控制精度高,鲁棒性强。该方法为今后鳍驱动式水下机器人的设计及应用提供了参考。     

基于长短期记忆循环神经网络的AGC实时控制策略

大量新能源的接入以及电网中冲击负荷数量的剧增,使得电网对自动发电控制(AGC)策略提出了新的要求.简化AGC的一般控制流程,对比不同AGC策略的控制特性,在每个考核周期内选择控制效果更优的控制策略,并充分发挥多种控制策略在各自优势工况下的性能,以得到优秀控制数据集;在此基础上,以长短期记忆(LSTM)循环神经网络为神经...     

基于模糊RBF神经网络自学习的不确定机器人模糊自适应控制

针对机器人系统的不确定、非线性特点，设计了模糊RBF神经网络控制器学习机器人系统的不确定性上界，并利用模糊推理机产生的分目标学习误差进行训练，避免了采用系统直接输出反馈误差进行训练所存在的权值饱和与过调整问题。此外，在反馈回路还设计了固定比例增益控制器FC，起着监督的作用，对系统实施渐近稳定的控制。仿真结果表明这种控制方案实现了对机器人系统的高精度控制。     

供热过程时滞递推神经网络解耦器设计

针对供热过程质调一量调通道耦合特性和节能控制的需要,提出基于时滞递推神经网络的供热解耦方法.通过典型信号响应与最小二乘法结合的方法得到供热过程耦合系统模型,利用改进的假近邻法预估神经网络训练数据的嵌入维数,确定神经网络输入节点个数,引入时滞环节构建神经网络解耦器.采用时滞递推神经网络解耦器对供热耦合系统进行解耦,消除供热过程质调、量调通道间的非线性强耦合作用.仿真结果证明该方法具有良好的动态和静态解耦特性,能够满足供热过程多回路控制的要求,使供热系统能够跟踪节能设定值进行调节,实现供热节能和优质供热.     

基于权重自适应更新径向基函数神经网络的水下游动机械臂镇定控制

水下游动机械臂（underwater swimming manipulator, USM）是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络（radial basis function neural network, RBFNN）,设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。     

粒子群神经网络辨识的机器人分数阶滑模控制

研究了一种粒子群算法优化的神经网络分数阶滑模变结构控制方法，并将其应用到工业机器人路径跟踪研究中。首先采用粒子群算法优化的神经网络辨识工业机器人的系统模型，训练得到与系统控制参数解析度最相关的模型；然后基于分数阶理论与滑模变结构理论设计了分数阶滑模变结构控制器，作为系统的主控制器应用到工业机器人轨迹跟踪控制系统中。仿真及实验结果表明，该方法具有良好的跟踪性能和快速性。     

机器人的神经网络鲁棒轨迹跟踪控制

考虑了一类具有外界扰动和参数不确定性机器人系统的轨迹跟踪鲁棒控制问题。提出了两种控制方法：第一种应用输入输出线性化方法以及Lyapunov函数法,推导出鲁棒输出跟踪控制器。所获得的控制器可确保系统输出按指数规律跟踪期望输出,同时相应闭环系统的状态一致最终有界。第二种方法在第一种控制方法的基础上,利用一个RBF神经网络自适应学习系统不确定性的未知上界,有效的克服了系统不确定性的影响,提高了控制精度。     

基于神经网络的模糊控制在变电站综合控制中的应用

针对目前变电站电压 无功综合控制存在的不足 ,将基于神经网络的模糊控制应用于传统的系统分区 ,充分利用模糊控制与神经网络的各自优势 ,进行基于模糊无功边界的综合控制 ,有效减少了有载分接头调节次数 ,提高了系统的调节性能和电压质量。