基于RBF神经网络的柔性机械手反演控制

针对柔性机械手动力学方程复杂、具有高度非线性等特点,在控制律设计中引入反演设计思想,将原复杂的高阶非线性系统分解成低阶简单系统。考虑到动力学模型中存在未知的非线性函数,为了能够对被控对象中未知函数进行有效逼近,设计一种将径向基函数(RBF)神经网络与反演控制思想相融合的控制方法。仿真结果表明：基于RBF神经网络反演控制所设计的控制律和自适应律能够实现控制系统稳定,满足期望的动态性能指标。     

智能汽车自适应RBF神经网络循迹控制

为解决智能汽车循迹控制中建模复杂及不精确问题,提出了一种基于整体逼近的自适应RBF神经网络控制方法。首先,基于智能汽车动力学方程的基本形式,对系统的不确定性进行分析。而后,利用神经网络的逼近特性,对分析结果中的不确定项进行整体逼近。进而,基于自适应RBF神经网络控制方法设计控制律,并通过李雅普诺夫稳定性分析方法设计自适应控制律。最后,进行Simulink/Carsim联合仿真验证,仿真结果表明,在通用双移线道路环境下,所提控制方法能够通过控制方向盘转角使得车辆沿期望轨迹行驶,轨迹跟踪误差较小且控制输出幅值可控,能够满足实际工程需求。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

基于视觉反馈的机器人全调节RBF神经网络自适应反演控制

针对具有参数不确定刚性机器人系统的跟踪控制问题,提出了一种基于视觉反馈和全调节RBF神经网络的自适应反演控制器设计方法。根据安装在末端执行器的CCD摄像机提取的特征点确定期望位置,利用与一般设计不同的全调节RBF神经网络逼近系统的不确定项及外界干扰。在调节RBF神经网络权值的同时调节中心点值和影响范围,使得全调节RBF神经网络具有了更强的在线逼近能力。应用Lyapunov稳定性理论,证明了系统的所有信号均有界,控制器可以保证机械臂的运动按指数收敛到期望位置。仿真结果验证了所提控制器的有效性。     

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数（Radial Basis Function,RBF）神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分（Proportional Integral Derivative,PID）控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复...     

不确定关节机器人模型的神经网络补偿自适应控制

为了达到关节机器人轨迹跟踪控制的目的,针对由于机器人结构参数、作业环境干扰及结构共振模式等不确定性因素造成的机器人不确定性动力学模型,将该模型分解为名义模型和建模误差两部分,其中的建模误差采用RBF神经网络进行补偿和估计,得到其估计信息。RBF神经网络的权值通过Lyapunov稳定性分析和自适应算法进行调节。机器人的神经网络补偿自适应控制解决了机器人这类不确定模型的轨迹跟踪控制问题。对3关节机器人实验验证结果表明,3关节均在约4 s时跟踪期望轨迹,并且跟踪误差渐近趋近于0,并且RBF神经网络能很好地逼近由不确定性因素引起的建模部分。     

基于神经网络的一类不确定非线性系统自适应H∞跟踪控制

基于神经网络针对一类具有输入不确定性的非线性系统提出了一种H∞自适应跟踪控制方法.控制器由等效控制器、H∞控制器及参数自适应控制器三部分组成.H∞控制器用于减弱外部及神经网络的逼近误差对跟踪性能的影响,参数自适应控制器用于抑制输入干扰对跟踪性能的影响.所设计的控制器不仅保证了整个闭环系统的稳定性,而且使外部干扰及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后给出一个算例验证了该方法的有效性.     

不确定机器人鲁棒自适应控制

针对不确定、时变和非线性机器人系统的实时性要求,提出了采用滑模变结构和RBF神经网络相结合来构造控制器.用带有符号函数的滑模变结构控制器来产生一个控制输入信号,同时利用具有快速学习能力的RBF神经网络来学习外界的不确定性,增强系统的自适应能力,使之达到更佳的控制效果,并在文中证明了系统的稳定性.最后给出了对两连杆机器人的仿真,验证了控制效果.     

非线性不确定系统的自适应反馈控制方法

针对具有模型不确定且参数未知的单输入单输出的非线性系统的特点,文中提出了一种自适应反馈控制方法。该方法中,假设系统被调整量最高阶导数的理想值为已知。由于方法仅需要对被控对象的调整量的输出进行反馈,而不要求状态量的具体值,所以降低了算法实现的难度。通过数值仿真验证了方法的可行性和有效性。     

基于RBF神经元网络的漂浮基空间机械臂关节运动自适应控制方法

讨论了栽体位置、姿态均不受控制情况下,漂浮基空间机械臂关节运动的控制问题.由拉格朗日第二类方法及系统动量、动量矩守恒关系,建立了漂浮基空间机械臂完全能控形式的系统动力学方程.以此为基础,借助于RBF神经网络技术、Ge-Lee(GL)矩阵及其乘积算子定义,对漂浮基空间机械臂进行了神经网络系统建模;针对空间机械臂系统所有惯性参数均未知的情况,设计了漂浮基空间机械臂关节运动的自适应神经网络控制方案.提出的控制方案不要求系统动力学方程具有通常的关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练、学习,此外,由于充分利用了空间机械臂的系统动力学特性,因此在控制过程中不需要反馈、测量漂浮基的位置、移动速度、移动加速度以及姿态转角的角速度、角加速度.一个平面两杆漂浮基空间机械臂的系统数值仿真证实了该方案的有效性.     

基于RBF神经网络的非线性系统智能控制

针对工业控制领域中复杂非线性时变系统，采用传统的控制方法不能达到满意的控制效果，提出了基于神经网络的PID自适应控制方案。采用神经网络辨识器在线辨识系统模型，自动调整PID控制器参数，从而实现系统的智能控制。仿真结果表明该方法对于复杂非线性系统能进行有效的控制并且具有很好的自适应性和鲁棒性。     

基于RBF网络的GPC在火电单元机组中的应用研究

大型火电单元机组是一个多变量、强耦合、大时滞的非线性系统,用传统的控制方法很难得到最佳的运行效果。采用基于RBF网络的广义预测控制（GPC）策略,用RBF算法建立模型,用广义预测解决时滞问题。该算法具有良好的动态响应和较强的鲁棒性,仿真结果表明了其有效性。     

Dynamics Modeling and Robust Trajectory Tracking Control for a Class of Hybrid Humanoid Arm Based on Neural Network

In order to solve the problem of trajectory tracking for a class of novel serial-parallel hybrid humanoid arm(HHA), which has parameters uncertainty, frictions, disturbance, abrasion and pulse forces derived from motors, a multistep dynamics modeling strategy is proposed and a robust controller based on neural network(NN)-adaptive algorithm is designed. At the first step of dynamics modeling, the dynamics model of the reduced HHA is established by Lagrange method. At the second step of dynamics modeling, the parameter uncertain part resulting mainly from the idealization of the HHA is learned by adaptive algorithm. In the trajectory tracking controller, the radial basis function(RBF) NN, whose optimal weights are learned online by adaptive algorithm, is used to learn the upper limit function of the total uncertainties including frictions, disturbances, abrasion and pulse forces. To a great extent, the conservatism of this robust trajectory tracking controller is reduced, and by this controller the HHA can impersonate mostly human actions. The proof and simulation results testify the validity of the adaptive strategy for parameter learning and the neural network-adaptive strategy for the trajectory tracking control.     

基于RBF神经网络的齿轮减速箱设计计算

针对齿轮减速箱设计计算繁杂,给减速箱的设计者带来极大工作量和类比的办法误差较大的问题,提出了使用RBF神经网络映射齿轮减速箱近似算法,以减少计算规模,提高设计计算效率,其映射结果表明,该方法是可行的和高效的。     

RBF模糊自适应控制在电液速度伺服系统中的应用

由于电液速度伺服系统的非线性和参数的不确定性,难以建立精确的数学模型,文中引入RBF（径向基函数）模糊自适应控制,利用RBF神经网络进行自学习,修改和完善模糊规则,改善其动态性能.仿真结果表明该方法具有较强的自适应和自学习能力,即使对复杂的非线性系统也能取得良好的控制效果.     

径向基神经网络在三维激光切割中的应用

分析了RBF神经网络的特点，并研究了它在三维激光切割中的应用，利用该神经网络及其变形可以预测切缝的宽度，也可以根据输入参数对试样的挂渣与否进行判定。比较了三雏激光切割中切割倾角和切割方向对切割质量的影响，从而实现切割质量的预测和优化工艺参数的选取以指导实际的切割过程。     

电液位置伺服系统的自适应模糊神经网络控制

将电液位置伺服系统分为已知规律的线性部分和包括非线性、参数不确定性、负载干扰等在内的未知规律部分，用模糊神经网络仅对未知规律部分进行在线估计，缩小了搜索空间，系统估计的精度得到改善，加快了收敛速度。同时，对模糊神经网络建模误差的界进行在线估计，使变结构控制增益由接近建模误差的估计值确定，克服了传统变结构控制因过于保守的鲁棒控制增益带来较大控制量而不易实现的缺陷。     

基于神经网络PID的冗余伺服系统自适应控制

建立冗余直接驱动式电液伺服系统的数学模型。针对电液伺服系统时变、强非线性的特点以及冗余伺服系统在余度降级过程中的故障瞬态现象和余度降级后的性能降级现象,考虑传统PID控制器自适应能力不强、鲁棒性差等缺陷,提出神经网络自适应控制方案。根据冗余电液伺服系统的特点和目前神经网络控制的发展水平,采用基于径向基函数神经网络的智能PID控制器实现冗余伺服系统的自适应控制。研究结果表明：该控制器能够根据控制指令、被控对象结构参数等因素的变化实时调整控制器参数,和传统PID控制器相比具有控制精度高、鲁棒性强的特点,可以有效地克服冗余伺服系统余度切换时的故障瞬态现象和余度降级后的性能降低现象。     

浅谈神经网络在加热炉温度控制中的应用

根据加热炉的特点和温度控制要求,设计了基于RBFNN(RBF Neural Network)辨识的PID控制器,仿真结果与PID控制和基于BPNN(BP Neural Network)的PID控制相比较,显示出本文设计的控制器具有良好的控制性能。