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·

双向规划小脑模型神经网络CMAC学习控制

CMAC小脑模型是模拟人小脑的一种学习结构。以往CMAC方法为单向规划方法,为改善CMAC学习控制效果。

小脑模型神经网络控制器在天线跟踪指向控制中的应用

分析了天线跟踪指向控制系统的特点和影响系统跟踪性能的主要因素,建立了系统数学模型。根据系统特点,给出了小脑模型神经网络控制器(CMAC)和PID相结合的复合自适应控制方法的设计过程,并分析了该算法适用于天线跟踪指向控制系统的优势。该方法利用传统的PID控制,结合CMAC神经网络算法的快速自学习、精确逼近的优点,既满足了天线跟踪指向控制系统快速实时跟踪的要求,又提高了跟踪精度和跟踪平稳性。仿真结果表明,该方法对摩擦力矩有很好的抑制作用,跟踪精度较单独采用PID控制提高一个数量级,且输出稳定,具有较强的鲁棒性。

机器人柔顺装配夹具的双小脑模型神经网络控制系统

介绍了一种新型的机器人柔顺装配夹具及其装配系统。设计了由装配力信号为输入的小脑模型神经网络CMAC1和以浮动平台位移信号为输入的小脑模型神经网络CMAC2并行叠加构成的双CMAC神经网络控制器 ,前者作为前馈控制 ,后者当夹具刚启动时为前馈控制 ,装配开始后转为反馈控制。双CMAC神经网络控制器具有存储容量少、系统较稳定、能减少系统误差影响、装配力小等优点。

一种CMAC网络模型及其在机器人控制中的应用

小脑模型关节控制器(CMAC)具有学习算法简单、在线学习速度快的优点，非常适于机器人等复杂系 统的自适应控制．本文阐述了 CMAC 的原理，证明了其收敛性，提出了一种适合于机器人轨迹跟踪控制的 CMAC，并给出了仿真实验结果．

基于CMAC的双馈水轮发电机系统控制策略研究

针对可调速双馈水轮发电机系统的不确定性、非线性和参数时变的特点,提出了一种采用小脑模型(CMAC)神经网络的自适应控制策略。该控制策略以系统动态误差和给定信号量作为CMAC的激励信号,并与自适应神经网络控制器相结合构成系统的复合控制。该文对双馈水轮发电机系统的稳态调节和暂态特性进行了数字仿真研究,并与常规的PID控制进行比较。结果表明,基于CMAC的自适应控制策略对系统模型结构和参数变化、负荷扰动都具有很好的适应性和鲁棒性,控制品质优良,是一种适于在线学习控制的双馈水轮发电机系统控制方法。

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。

基于CMAC神经网络的配网重构模型

为使配电网的有功功率损失最小化,提出了一种基于小脑模型关节控制器(cerebellarmodelarticulationcontroller,CMAC)神经网络配电网重构模型.借助于CMAC神经网络输入和输出之间的非线性映射关系和泛化能力,来建立变化的负荷水平与最优化网络拓扑之间的对应关系,即网络重构.还将该模型与基于BP网络的配网重构模型进行比较.经算例表明,模型可以快速地给出重构的结果,适合大型配电网使用.

基于新型CMAC神经网路的不确定性机器人鲁棒控制

基于文 [1 ]所给的新型 CMAC神经网络提出了一种机器人鲁棒控制策略 ,给出了新的网络权系数修正律 ,利用 Lyapunov稳定性理论得出了系统稳定性充分条件 。

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的PID控制在液位控制中的研究与仿真

随着工业的发展,对液位控制系统的性能提出了更高的要求,同时要求系统在较恶劣的环境下有较强的适应能力。针对工业过程的非线性、不确定性等特点,介绍了小脑模型神经网络(CMAC)的原理及基于与PID的并行控制设计,以及该设计在液位控制中的应用,并对该设计在MATLAB下进行了仿真,得到了较好的控制效果。

基于CMAC的有源噪声控制研究

提出一种神经自适应噪声有源控制的方法 ,把小脑模型关联控制器用于对噪声进行有源控制 .对三维空间传播的宽频带噪声 ,利用小脑模型关联控制器实现有源噪声控制获得了良好的降噪效果 .

基于CMAC控制器的可变幅电液伺服系统优化及验证

为了构建更高运动精度的机械模型,本文设计了一种柔性联接结构建立的可变幅电液伺服系统。分析液压伺服系统阀控缸动平衡方程,并给出了系统控制流程。根据小脑模型神经网络(CMAC)控制方法,利用柔性联接方法建立可变幅电液伺服系统,使瞬态平衡响应阶段实现优异动态控制效果。研究结果表明:以PID构建的CMAC对可变幅电液伺服系统形成了稳定性更高的闭环系统,更大幅度的低频段增益效果,提升系统控制精度,实现对柔性联接可变幅电液伺服系统起到理想的校正作用。以CMAC控制器对电液伺服控制结构调控,提升了系统低频状态下的负载位移输出精度,有效控制了幅值衰减程度,达到了更高跟踪精度,显著提升了系统的整体跟踪效果。

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的PID控制在换热器中的应用设计及仿真

本文介绍了小脑模型神经网络CMAC的原理及基于CMAC与PID的并行控制设计,以及该设计在换热器控制中的应用,并对该设计在MATLAB下进行了仿真,得到了较好的控制效果。

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。

推土机工作装置CMAC神经网络控制

在分析以往推土机工作装置控制方法的基础上 ,引入小脑模型 (CMAC)神经网络控制技术 ,把调整手柄位置 C和发动机输出转速 n以及油门开度 a作为控制器的输入 ,工作装置扭矩作为输出 ,实现了神经网络控制器对推土机工作装置的控制。经试验 ,在阶跃激励信号输入时 ,这种小脑模型 (CMAC)神经网络控制器具有学习速率高和结构简单等特点 ,可使工作装置稳态精度达± 1mm ,效果十分明显。

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。

模糊CMAC及其在交流伺服控制中的应用

详细地阐述了小脑模型关节控制器 (CMAC)的工作原理 ,将模糊理论引入CMAC ,提出了一种模糊小脑关节控制器 (FCMAC) ,反映了人脑认知的模糊性和连续性 ,并将所提FCMAC用于交流伺服系统的控制。仿真实验结果表明 ,所提FCMAC控制方法与CMAC相比 ,性能有了很大的改善。

一种单输入CMAC策略在机械手逆模控制中的应用

小脑模型关节控制器(CMAC)是一种结构简单、学习速度快的局部神经网络,适合于实时控制。但对于某些高维输入系统来说,CMAC需要大量的存储空间,实际应用性能下降。文章结合传统PID反馈控制与神经网络逆模控制的特点,利用CMAC网络对机械手进行逆模控制;针对网络所需输入量较多的问题,提出了一种单输入CMAC网络的逆模控制策略,并将提出的控制策略应用于2自由度机械手的轨迹控制;引入测量变量使网络输入由二维转换为一维,减少了神经网络所需存储空间,提高了学习速度。仿真实验结果表明,所提出的控制策略克服了机械手非线性和不确定性的影响,是可行的。