基于PCMAC⁃PID的全钒液流电池储能系统功率控制

为了提高全钒液流电池(Vanadium redox battery,VRB)储能系统功率控制的快速性,文中提出一种分段量化小脑模型神经网络(piecewise cerebella model articulation controller,PCMAC)与比例积分微分控制(proportion integral differential,PID)相结合的复合控制策略(PCMAC⁃PID),由PCMAC实现前馈控制,PID实现反馈控制。建立了VRB储能系统的数学模型,给出了复合控制器的结构及具体算法,最后通过仿真验证了复合控制策略的有效性。仿真结果表明,与PID算法相比,复合控制策略能更好地提高控制系统的响应速度且具有一定的鲁棒性。

一种基于小脑模型关节控制器评论-策略家的机器人跟踪控制算法

本文提出了一种基于小脑模型关节控制器(CMAC)的评论–策略家算法,设计不依赖模型的跟踪控制器,来解决机器人的跟踪问题.该跟踪控制器包含位置控制器和角度控制器,其输出分别为线速度和角速度.位置控制器由评价单元和策略单元组成,每个单元都采用CMAC算法,按改进δ学习规则在线调整权值.策略单元产生控制量;评判单元在线调整策略单元学习速率.以双轮驱动自主移动机器人为例,与固定学习速率CMAC做比较,仿真数据表明,基于CMAC的评论–策略家算法的跟踪控制器具有跟踪速度快,自适应能力强,配置参数范围宽,不依赖数学模型等特点.

基于RCMAC干扰观测器的高超声速飞行控制

利用自回归小脑模型神经网络(recurrent cerebella model neural network,RCMAC)良好的非线性逼近能力和自学习能力,结合反馈线性化和反演控制方法,提出了一种自适应非线性控制策略,用于高速再入飞行器控制系统的设计。该方案将RCMAC干扰观测器(recurrent cerebella disturbance observer,RCDO)用于估计系统模型的不确定项,同时采用反演控制方式设计伪线性控制项,并利用符号函数逼近误差的上界,根据Lyapunov稳定性理论设计了权值更新规则,保证闭环系统信号有界。高速再入飞行器的六自由度仿真结果验证了方法的有效性和鲁棒性。

基于小脑模型关节控制器与PID复合的高速公路交通流密度控制

高速公路交通控制系统是一个复杂的非线性时变系统,传统的匝道控制方法难以取得满意的控制效果.为此,本文提出基于小脑模型关节控制器(CMAC)与PID复合的匝道控制方法.首先建立了二阶宏观动态交通流模型,然后研究了CMAC与PID复合控制算法,结合非线性反馈理论,设计了基于CMAC与PID复合的高速公路交通流密度控制器,该密度控制问题是一个输出跟踪和扰动抑制问题,最后采用两个仿真实例对该方法的有效性进行验证.结果表明,复合控制具有优越的密度跟踪性能和抑制噪声干扰的能力;复合控制方法能够有效地消除交通拥挤,并使主线车流趋于稳定.

基于PSO算法的弹道辨识网络及仿真

提出了一种基于粒子群优化算法(PSO)的弹道辨识及仿真的技术。根据弹道质心运动方程模型,以小脑模型开关控制器神经网络(CMAC)为核心构建了辨识网络,利用PSO算法控制辨识与仿真的实现。仿真试验表明,利用PSO算法实现弹道辨识比BP算法辨识精度高,收敛性好。

基于GA-FCMAC算法的船舶运动智能控制器

在研究模糊小脑模型神经网络控制器 (FCMAC)的基础上 ,本文提出了基于遗传算法学习的模糊小脑模型神经网络控制 (GA FCMAC)算法并应用于船舶运动控制。仿真结果表明该算法具有良好的控制性能。

基于高斯基函数 CMAC 模型的一种快速算法

广义小脑模型（ＣＭＡＣ）在函数泛化能力和函数逼近能力方面优于基本ＣＭＡＣ模型，但算法较为复杂，实时性差．因此，研究广义ＣＭＡＣ模型的快速算法，对于满足实时控制是非常必要的．文中研究了基于高斯基函数的广义ＣＭＡＣ模型的快速算法，定义了包含待学习样本点的一个超立方体子空间，提出了基于该超立方体子空间的快速学习算法．通过算例仿真表明，学习算法收敛速度较快，可以满足实时控制要求．

改进的模糊CMAC神经网络

提出了一种改进的模糊CMAC神经网络(IFCMAC),该神经网络是在经典的FCMAC神经网络的模糊后相连层和输出层之间引入了输入矢量的线性加权和来补偿逼近的误差,所以它的逼近精度得到提高,解决了CMAC系列神经网络逼近精度不高的弱点,在颅脑磁共振图像分割仿真实验中,把当前像素点的子图像的纹理特征和该像素点的灰度值作为该像素的特征向量,将该特征向量作为IFCMAC神经网络的输入,实验结果表明其具有较高的分割准确性。

开关磁阻电机模糊神经网络PID转速控制

针对开关磁阻电机调速系统难以控制的问题,提出了基于模糊FCMAC神经网络的PID控制方法,该方法的主要思想是将马丹尼直接推理法与CMAC神经网络相结合,构成模糊FCMAC神经网络,实时调整PID控制参数。仿真结果表明,与传统的PID控制方法相比较,该方法大大改善了开关磁阻电机调速系统的动、静态性能,且无需精确的数学模型,控制精度高,超调量小,对干扰有较高的鲁棒性。

基于小脑模型关节控制器的电液伺服舵机加载系统多余力矩补偿器研究

针对电液伺服舵机加载系统存在多余力矩的问题,提出一种基于小脑模型关节控制器的多余力矩补偿器设计方法。仿真结果表明,小脑模型关节控制器多余力矩补偿器抑制多余力矩的效果要远远优于传统多余力矩补偿器,且具有良好的鲁棒性。

基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测

针对鸭蛋长期存储以及运输过程中造成的散黄问题,构建一种基于振动信息的鸭蛋散黄在线检测流水线,可实现鸭蛋的自动触压和随动检测。通过磁致伸缩振子对鸭蛋扫频振动进行音频信息增强,对音频振动信号进行集合经验模态分解,并通过主成分分析进行降维提取主要特征,基于此,构建基于小脑神经网络的鸭蛋散黄检测模型。试验中,对320枚鸭蛋进行检测(训练集200枚,测试集120枚),结果表明,基于累积贡献率达98.14%的前5个主成分的鸭蛋散黄检测模型训练集和测试集识别率分别达98.66%和97.03%,每枚鸭蛋在线检测时间约1 s。研究表明,所研制的检测流水线基于磁致伸缩振子扫频激励未知品质鸭蛋,再结合EEMD-CMAC进行鸭蛋散黄检测是可行的,可满足流水线在线检测的要求。

机器人视觉伺服中CMAC学习控制系统研究

根据小脑模型关联控制器(CMAC)收敛速度快,适于实时控制系统的特点,设计了一种基于CMAC学习控制方法的机器人视觉伺服系统。在该系统中,CMAC被用作前馈视觉控制器对常规反馈控制器进行补偿。所提出的CMAC控制器替代图像雅可比矩阵来获得目标图像特征和机器人关节运动之间2D/3D变换关系,通过其在线学习,可以使系统对摄像机标定误差不敏感,从而提高系统的鲁棒性。实验证明了所设计控制系统的有效性。

用于传感器非线性误差校正的新颖神经网络

该文阐述了用神经网络校正传感系统非线性误差的原理和方法 ,提出了一种新颖的简化小脑模型神经网络 (SCMAC)及其模型、算法与实现技术 .模型、算法采用直接权地址映射技术 ,以训练样本的输入为地址 ,建立起输入与权重的关系 .任意输入作为相近的权地址 ,即可找到对应的权 ,经过联想插补后可获得高精度输出 .此外 ,采用磁盘文件存储、寻址权重等方法 ,避免了微机内存溢出 ,使得实现容易 .最后给出了一个仿真实验 .实验结果表明 ,用 SCMAC校正后 。

改进CMAC在森林火焰识别中的应用

由于传统火情识别存在的缺陷,提出一种基于双曲正割函数的变步长最小均方(LMS)算法的小脑模型神经网络(CMAC)森林火焰识别系统。通过分析火焰初期的一些静态和动态特性,对森林火焰进行初步识别。并在利用最优阈值搜寻法对图像进行分割处理的基础上,提取出相应的特征向量,作为改进CMAC的输入,利用神经网络进行森林火焰检测与识别。实验仿真表明,能对火焰进行准确、有效的判别。

提高小脑模型神经网络精度的算法及仿真应用

CMAC(cerebella model articulation controller)神经网络的局部结构使得学习非线性函数更快 .然而 ,在许多应用领域 ,CMAC的学习精度不能满足应用要求 .该文提出了一种改进 CMAC学习精度的联想插补算法 ,同时给出了一个仿真实验 .其结果表明 ,使用此算法 ,改进的 CMAC的学习精度比改进前提高了 10倍 ,学习收敛也更快 .

非线性量化CMAC研究与应用

提出了基于非线性量化小脑模型神经网络(CMAC)算法,对CMAC的概念映射进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要。结合溶出预脱硅系统工艺优化的需求,提出了基于非线性量化CMAC的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进行循环母液投放措施优化。工业实验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,该模型已应用于某氧化铝厂工艺优化系统中动态调节循环母液投放量,节省了生产成本,取得了明显的经济效益。

小脑神经网络在矿工疲劳监测控制系统中的应用

针对矿工井下疲劳监测与控制难题,探索矿工疲劳务工的生理指标状况,降低矿工疲劳状态下务工的可能性,指导煤矿高层管理者对矿工疲劳生产的管理与控制,并为新设计的矿工疲劳监测控制系统提供新的方法与依据。采用多元信息融合技术,提取了皮电、肌电、脑电等12个疲劳水平监测信号,对矿工务工期间进行半接触式肢体图像和信号分析,构建了矿工疲劳监测信号体系;结合CMAC神经网络理论,提出矿工疲劳务工期间的疲劳检测控制系统模型,并通过收集矿工务工期间的多生理指标对构建的模型进行验证。结果表明:矿工疲劳监测与控制系统监测结果与实际矿工疲劳水平的平均偏差为0.2,偏差为0.1~0.3的约占51.7%,0.4~0.7的约占32.2%,0.8~1.0的约占16.1%,比传统的单一信号监测精度更高,偏差更小,更能满足实际生产中的矿工监测与控制的精度需求。为缓解当前矿工疲劳生产的现状,依据矿工疲劳监测结果,结合金融风险管理理论,应采用的方法是:当矿工疲劳水平超出生理负荷值时,机械自启强迫停止功能;当矿工疲劳水平严重时,提醒班组长强迫矿工换班(岗);当矿工出现疲劳迹象时,报警提示矿工调整自身疲劳状态等。为后期中国煤矿人员安全与高效生产的电子监测与控制领域提供一种新的设计参考。

遗传小脑神经网络在液位控制中的应用

针对非线性液位控制问题,提出了一种采用遗传小脑模型神经网络(CMAC)的学习控制方法;该控制器采用遗传算法作为CMAC神经网络的学习算法,给出了具体的控制结构和算法;仿真结果表明,该控制器具有良好的处理非线性以及跟踪连续变化信号的能力,并对时变外负载干扰具有明显的抑制作用,而且新型控制器能使用较高的学习速率,学习速度快,适于在线学习控制。

CMAC在仿人机器人逆运动学计算中的应用

本文采用关节角位移和末端位姿误差作为小脑模型神经网络(CMAC)的输入,根据仿人机器人的正运动学模型来调整CMAC的权值,使网络最终逼近仿人机器人的逆模型,从而得到末端位姿到各个关节角的映射关系,避免了传统解析方法面临的计算量大、解不唯一的问题。MATLAB仿真结果表明,利用CMAC对仿人机器人的逆运动学问题求解,可以保证机器人位姿较好地跟踪给定的参考轨迹,说明CMAC能够逼近仿人机器人的逆运动学模型。

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。