小脑模型连接控制(CMAC)网络用于热轧带钢卷取温度控制

用解析模型描述层流冷却过程的热轧带钢卷取温度控制系统在换规格时自适应能力较差 ,因为系统的自适应系数体现的是均值效应 ,对于动态随机不确定复杂过程的描述与控制往往无能为力·针对这一不足 ,采用小脑模型连接控制 (CMAC)网络进行动态随机自适应控制 ,取得了令人满意的结果·模拟冷却结果表明 ,小脑模型连接控制网络充分发挥了模糊联想记忆的功能 ,可以对没有精确数学模型的不确定复杂过程进行精确控制 ,增强了系统自适应能力 ,它是性能优良的前馈网络·

基于CMAC的流体压力水锤控制

飞机液压系统的压力脉动是造成液压元件提前疲劳损坏的重要原因之一。飞机液压系统压力脉冲试验是产生压力水锤考核液压元件寿命的重要设备。由于该设备的数学模型是一个分布参数的非线性系统,且受到试验件的影响,较难有效的实施快速控制。提出一种CMAC与传统控制相结合的并行控制方案,利用CMAC的分类存储与传统控制的微调作用较好的实现了水锤的快速精确控制。仿真试验表明,能大大缩短波形的调整时间,且具有较强的自适应能力和鲁棒性。

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。

FCMAC在蒸汽发生器水位控制中的仿真研究

蒸汽发生器是一个高度复杂的非线性时变系统,在其工况变化时具有逆动力学效应,使得蒸汽发生器的水位控制变得复杂。而其工作性能直接影响反应堆的安全运行。采用传统PID控制方案难以达到控制要求。针对蒸汽发生器的水位控制提出一种基于模糊小脑模型连接控制(FCMAC)与PID联合的控制方案。方案中,将传统的CMAC神经网络和模糊控制原理相结合,形成的FCMAC神经网络实现前馈控制,实现被控对象的逆动态模型;PID实现反馈控制,保证系统稳定性,且抑制扰动。仿真结果表明,该方案具有响应快,超调量小,较强抑制干扰能力等良好性能。

基于CMAC的飞机液压脉冲台自学习控制

飞机液压脉冲台是产生压力脉冲,考核飞机液压元件寿命的重要设备。该设备在产生液压脉冲的过程中,管内流体处于非恒定流动状态,其流态非常复杂,且受试验件特性的影响,难于有效的控制。采用常规的控制方法不易处理控制精度与收敛速度的矛盾。论文应用了一种CMAC自学习控制方案,通过CMAC的在线学习适时的自适应调整控制量,以达到对波形快速、准确控制的目的。该方法在飞机液压脉冲台中得到应用,仿真研究和实际控制效果均表明,该方案对不同试验件的水锤波控制具有良好的效果。

双足机器人跨越动态障碍物在线控制系统设计

在双足机器人跨越动态障碍物的在线控制问题中,脚步规划和步态控制的学习时间是关键问题;提出了一种将机器人的步态控制和脚步规划分别独立设计的控制策略;步态控制目的是产生关节点轨迹并控制对理想轨迹的跟踪,考虑到双足机器人关节点轨迹的不连续性,应用小脑模型连接控制CMAC记忆特征步态的关节点轨迹;脚步规划的控制目标是通过对环境的视觉感知预测机器人的运动路径,算法是基于无需对动态环境精确建模的模糊Q学习算法;仿真结果表明该控制策略的可行性,并且可以有效缩短在线学习时间。

一种新的CMAC函数逼近器及其再励学习方法

针对复杂再励学习系统状态空间存在维数灾问题 ,结合多移动机器人协调避障路径规划实际应用 ,用非均匀模糊分割方法将状态空间分解成模糊子空间 ,相应地将小脑模型连接控制器网络 ( Cerebellar Model Articulation Controller,CMAC)函数逼近器改进为模糊 CMAC( FuzzyCMAC,FCMAC)函数逼近器 ,并将 FCMAC函数逼近器置入滞后更新多步 Q( Postphoned- Up-dating Multi- Step Q- learning,PUMSQ)学习算法 ,提出 FCMAC- PUMSQ学习算法 .仿真实验证明 ,该算法有效且有较好的鲁棒性 。

基于CMAC神经网络改善振筒式传感器静态特性

利用小脑模型连接控制器(CMAC)神经网络的非线性函数逼近,并以振筒式压力测试系统为例,提出了一种综合修正传感器静态误差的新方法。计算机仿真与实验结果表明:该方法能够有效改善传感器的输出特性,并且速度快、精度高、鲁棒性强,便于用硬件实现。

CMAC网络在机动目标跟踪中的应用

采用“当前”统计模型的机动目标跟踪算法 ,常常会遇到当系统参数固定时 ,如果目标以较小的加速度机动时 ,系统方差较大、跟踪精度低的问题。为了解决这一问题 ,该文首先对目标的机动性能提出了一种简单但合理有效的量化方法 ,在此基础上 ,根据目标当前的机动性能 ,通过利用CMAC(小脑模型连接控制器 )网络对系统参数进行调整来提高跟踪精度。最后从理论上说明了该算法中使用的CMAC网络一定收敛 ,从而保证了网络训练结果的可靠性。

基于CMAC的模糊神经网络方法

结合模糊神经网络和小脑模型连接控制CMAC理论,提出训练时间短、精度高的CMAC模糊神经网络方法,给出了网络结构、算法,并通过一个维修经费预测实例讲述了这种算法.

船用柴油机故障诊断实时仿真研究

自动监测系统目前在绝大多数大型船舶上得到了普遍应用，然而，仅有少数自动监测系统装备了诊断系统。本文介绍了基于智能软件程序的故障诊断领域最新进展。其研究目的是采用被称为小脑模型连接控制器(Cerebellar Model Articulation Controller—CMAC)的人工神经网络设计出一种能连续进行实时机器学习的软件工具。使用一种既能模拟发动机正常运行状态也能模拟发动机故障运行状态的发动机仿真器来开发低成本的柔性学习系统控制器。本文就所选用的CMAC进行了说明，并对实时发动机仿真器、仿真器与学习系统的组合以及所取得的某些结果作了简单的介绍。