一种自适应CMAC神经元网络控制器及其在水轮机调速器中的应用

提出了一种自适应CMAC神经元网络控制器的结构 .该控制器的核心是一个两维的存贮区间 ,它采用一个参考模型和直接自适应律来获得在线训练信号 ,而相应存贮单元的更新采用一阶学习律 .最后以水轮机调速器仿真实验系统来检验它的控制性能 ,并与普通的PID控制器比较 ,结果证明 ,该控制器有较强的学习能力及较强的鲁棒性 .

带有干扰观测器的PID-CMAC控制系统设计

PID神经网络有很强的拟合能力,它用于基于神经网络逆模型的干扰观测器设计,并进一步设计了带一种带有干扰观测器的PID-CMAC复合控制系统。该系统解决了内扰无法观测的问题,通过设置干扰观测器加快了消除内扰的过程,CMAC的控制作用使系统输出能够更快地跟踪系统输入。实验表明,该控制系统不仅能够提高系统输出跟踪系统输出的能力,而且能够更快地消除内扰。

基于Fuzzy-CMAC的人体假肢系统智能控制方法研究

由于需要适应患者的参数个性化与步速变化,人体大腿假肢系统参数具有模型非线性与参数不确定性等复杂系统特性,因此需要寻求有效的智能控制方法。以一种自制的液压型智能大腿假肢结构为例,首先建立基于非线性阻尼控制参数与人体髋关节力矩的人机动力学模型,根据智能假腿的复杂系统特性设计一种PD-FCMAC逆动态复合控制模型,实现膝关节轨迹跟踪控制。以所建立的假腿实验样机动力学模型为对象,对PD-FCMAC方法进行实验仿真。实验结果表明,大腿假肢膝关节可以在约0.5 s时间内跟踪好目标曲线,具有良好的实时性与精度,且获得的膝关节阻力矩结果与膝关节角度曲线的循环交变规律一致。

CMAC神经网络的概念映射算法

在Ａｌｂｕｓ的概念映射基础上，给出了ＣＭＡＣ（ＣｅｒｅｂａｌａｒＭｏｄｅｌＡｒｔｉｃｕｌａｔｉｏｎＣｏｎ－ｔｒｏｌｅｒ）神经网络的Ｎ维概念映射算法，并给予了证明．

神经计算中坐标变换的网络模型(CMAC)的泛化特性

在神经计算中神经网络的泛化特性是一个非常重要的内容．该文简述了小脑模型（ＣＭＡＣ——ＣｅｒｅｂｅｌａｒＭｏｄｅｌＡｒｅｉｃｕｌａｔｉｏｎＣｏｎｔｒｏｌｅｒ）的原理和学习算法，并用仿真方法讨论了在机器人使用的坐标变换关系（输入直角坐标值，输出机器手的关节角度）下ＣＭＡＣ的泛化性能：当泛化率为１∶１００时ＣＭＡＣ仍能正常工作．系统的精度虽能满足需要，但是进一步提高却受到限制．本文还讨论了影响精度的各种因素及可能的改进方法．

基于CMAC的船舶操舵系统负载模拟器复合控制

利用键合图建模与仿真方法 ,建立了某船舶操舵系统负载模拟器与操舵系统联动的扩展键合图模型 .针对多余力严重影响施力系统动态加载性能的特点 ,提出了基于 CMAC神经网络的复合控制来提高施力系统的动态加载性能 ,并给出了具体的控制结构和算法 .通过对系统的动态仿真表明 。

无刷直流电机系统的CMAC逆模型控制

基于逆系统控制的思想,针对无刷直流电机系统的非线性、强耦合以及不确定因素等提出了一种逆模型智能控制方法。该方法利用小脑模型关节控制器实现无刷直流电机的逆动态模型,与原系统模型构成线性系统,获得较传统PID控制更理想的动静态性能,有效克服各种复杂因素的影响。该方法响应快速、无超调、抗扰能力和鲁棒性强,可显著提高实时跟踪能力和控制精度。仿真证明了该方法的有效性,为无刷直流电机控制提供了一种新途径。

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.

CMAC神经网络结构参数及其结构优化的研究

CMAC神经网络具有学习算法简单、收敛速度快、局域泛化等优点,被广泛应用于机器人控制、信号处理、模式识别以及自适用控制等领域。但是网络的训练过程需要大量的存储单元,最优结构参数的选取是CMAC网络设计中一个重要问题。文中通过对函数逼近问题的研究,说明了量化精度和泛化参数如何影响网络对函数的逼近质量。仿真结果表明,通过对结构参数的调整,可以达到最小的逼近误差。而通过对网络结构的优化不但可以节约网络的训练时间而且可以大幅度减少存储单元的数量。

小脑模型关节控制器(CMAC)理论及应用

CMAC神经网络因具有收敛速度快、泛化能力强、结构简单、易于软、硬件实现等特点 ,而得到广泛的应用。本文系统地综述了 CMAC神经网络的结构、算法、收敛性以及在控制中的应用。指出

一种基于CMAC的图象恢复算法

由于影响成象和导致图象退化的因素具有模糊性和不确定性 ,很难准确地建立图象退化过程的数学模型 ,因而建立退化过程的逆过程图象恢复十分困难 .为了解决这一问题 ,提出了一种基于 CMC的图象恢复算法 ,该方法利用 CMAC神经网络的非线性映射和综合能力 ,通过对影响成象和导致图象退化的过程进行反向学习来恢复图象 .仿真结果表明 ,用 CMAC神经网络能很好地恢复出已退化的图象 ,并且神经网络模型与学习方法十分简单 ,便于实时图象恢复 .

关于广义模糊CMAC学习收敛性的理论结果(英文)

提出了广义模糊 CMAC( cerebellar model articulation controller)神经网络 ,并导出了其学习的充分条件 .最后 ,证明了广义模糊 CMAC在平方误差意义下的学习收敛性 .研究结果为广义模糊 CMAC的广泛应用提供了基础 .

基于CMAC-PID控制的柴油发电机组的建模与仿真

在分析柴油发电机组系统组成的基础上,建立了火电厂应急柴油发电机组在MATLAB/SIMULINK环境下的仿真模型,提出了应急柴油发电机组调速系统的CMAC-PID控制方案。对顺序投入负载时,机组的机械、电气性能作了仿真分析,结果表明CMAC-PID控制的应急柴油发电机组,转速瞬态调整率要比常规PID控制下小,稳定时间也短,显示了良好的动态特性。

驱动平面机械手的液压系统建模及CMAC-PID控制研究

为了提高平面机械手运动的稳定性和轨迹跟踪精度,采用小脑模型神经网络(CMAC)控制液压驱动系统,并对机械手运动轨迹响应速度和误差进行仿真.建立液压驱动机械手简图装置,给出机械手液压驱动控制流程图.创建了液压动力装置、控制阀、液压油缸及机械手键合图模型,推导出液压驱动机械手控制方程式.设计了机械手液压驱动CMAC-PID控制结构图,利用系统仿真软件Matlab对机械手运动轨迹进行仿真;同时,与常规PID控制仿真结果进行比较.结果表明:采用常规PID控制液压驱动机械手运动轨迹,响应时间大约为0.4s,产生的最大误差大约为1.4cm;采用CMAC-PID控制液压驱动机械手运动轨迹,响应时间大约为0.1s,产生的最大误差大约为0.75cm.采用CMAC-PID控制平面机械手液压驱动系统,能够提高机械手运动轨迹响应速度和跟踪精度.

基于CMAC的非线性逆滤波改善传感器的动态特性

在测量系统中许多传感器存在着严重的非线性静态特性和响应滞后的动态特性,当被测量对象的变化率高于传感器的响应速度时,测量结果与真值之间存在较大的误差.为了补偿这个测量误差,采用了一个由无限响应的IIR滤波器和静态非线性环节构成的非线性滤波器去改善传感器的特性.IIR滤波器的系数通过实验数据得到,非线性静态环节采用单输入单输出小脑神经网络(SISO CMAC)实现.SISO CMAC具有学习简单、收敛速度快、函数逼近精度高等特点.最后,通过对热敏电阻动态测量误差的补偿,验证了该方法的有效性.

基于CMAC小脑神经网络的超磁致伸缩作动器高精度控制的仿真研究

为了补偿超磁致伸缩作动器(GMA)内在的滞回非线性提高其精度,将小脑神经网络(CMAC)前馈和PID反馈控制器相结合,提出了一种实时滞回补偿控制策略,以期实现GMA的高精度跟踪控制。由于CMAC神经网络不能够直接逼近滞回逆这种具有记忆性的多映射现象,通过引入一个滞回逆算子,将多映射的滞回逆转换成一一映射,然后运用CMAC神经网络控制器来逼近这个一一映射,从而建立一个基于CMAC神经网络的滞回逆模型。仿真结果表明该控制策略能适应GMA滞回特性随输入信号的变化,在线建立GMA的滞回逆模型,从而消除滞回非线性的影响,实现GMA的高精度控制。

混合系统CMAC直接逆模型控制

CMAC神经网络是一种具有线性结构、算法简单的局部逼近网络。考虑混合系统中参数不确定等因素影响 ,研究了一类混合系统的 CMAC神经网络控制器的设计 ,采用直接逆模型控制方式 ,不仅可以缩短网络训练时间 ,而且实现了一类混合系统的快速跟踪控制。

基于CMAC的位置伺服系统神经元离散滑模控制

针对数控机床位置伺服系统参数不确定及存在外界干扰的特点,将小脑模型关节控制器(CMAC)与滑模控制相结合,设计了基于CMAC的神经元离散滑模制系统及其控制算法。仿真结果表明,该控制方法不但大大降低了普通滑模变结构控制中的抖振,而且具有良好的动静态特性及较强的鲁棒性。

基于CMAC神经网络的永磁同步电机控制方法研究

将一种基于CMAC神经网络的PID控制器引入到永磁同步电动机交流调速系统中,取代传统的PMSM双环控制系统中的转速外环PI控制器。实验结果表明,运用该控制方法的系统响应快、超调小、鲁棒性好,较常规PI控制具有更好的动、静态性能。

智能假腿的CMAC控制与实例仿真

针对智能假腿系统模型的非线性与参数的不确定性等系统特性,提出了一种基于小脑模型神经网络控制器(CMAC)的假腿实时智能控制方法。该方法首先根据一种自制的假肢膝关节自适应结构,建立了智能假腿摆动相动力学数学模型,以描述智能假腿膝关节阻尼器控制参数与摆动运动参数之间的直接耦合关系。以此动力学模型为控制对象,设计了一种基于PD-CMAC的假腿系统智能控制器,并进行了实例仿真。仿真结果表明,假腿膝关节可以很快(约在0.5s时间内)跟踪好目标曲线,具有良好的实时性与精度;此外,膝关节阻尼器针阀开口位置与相应的假腿膝关节的角速度变化具有明显的负相关性;可以通过对假腿阻尼器针阀开口位置的调节,达到假腿跟踪健康腿摆动步态的目的。