自组织模糊CMAC神经网络及其非线性系统辨识

针对 CMAC的特点 ,提出了联想度的概念 ,并由此设计了一种自组织模糊 CMAC神经网络 ( SOFC-MAC)及其学习算法 ,证明了 SOFCMAC能以任意精度对非线性特性一致逼近。该网络具有学习速度快 ,逼近精度高及局部泛化能力等特点。

一种高阶模糊CMAC自适应控制及其应用

提出了一种高阶模糊小脑模型神经网络控制器 (HOFCMAC) ,利用模糊子集对输入状态空间进行分割 ,同时采用多层的量化方式对输入状态进行量化 ,并利用代数积 ,代数和的方法综合各种量化方式的量化结果 .由于多层量化方式的应用 ,这种控制器也比单纯基于广义基函数的模糊 CMAC有更好的控制性能 .

模糊CMAC神经网络控制系统及混合学习算法

针对CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力。讨论了这种控制器的混合学习算法,即先采用混沌算法离线优化,再采用BP梯度算法在线调整,并推导了变形Elmam网络的系统辨识算法。对电厂锅炉主蒸汽温度控制的仿真结果表明了此控制器及其学习算法的可行性和有效性。

基于自组织模糊CMAC网络的非线性系统鲁棒自适应跟踪控制

基于自组织模糊 CMAC(SOFCMAC)神经网络 ,提出了一种非线性模型参考神经网络增广逆系统鲁棒自适应跟踪控制方法 .该方法的特点是通过 SOFCMAC神经网络在线修正由于建模误差、不确定因素等引起的非线性系统逆误差 ,使得系统输出准确跟踪参考模型输出 .SOFCMAC的权值调整规律由 Lyapunov稳定性理论导出 .文中证明了非线性闭环系统的稳定性 .仿真例子表明了本文方法的有效性 .

气动人工肌肉并联平台自适应模糊CMAC姿态跟踪控制

着眼类人机器人的腰部应用,设计了一种气动人工肌肉三自由度并联平台。引入一种自适应模糊CMAC(AFCMAC),实现了并联平台的姿态控制。通过规划输入空间,实现了AFCMAC对迟滞力、气压波动等不确定因素和非线性耦合因素的感知。离散抗饱和PID并行监督和离线辨识避免了在控制运行初期出现较大的跟踪误差和气压波动,从而使AFCMAC的在线实时自学习调整成为可能。进行了定点转动姿态跟踪实验和抗干扰实验,实验结果表明,AFCMAC具有较好的姿态控制性能和在线学习调整能力。

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.

一类非线性系统的自组织模糊CMAC神经网络自适应重构跟踪控制

提出了一种非线性系统的自组织模糊CMAC(SOFCMAC)神经网络自适应重构跟踪控制方法 ,首先通过构造增广系统 ,设计出线性渐近跟踪控制器 ,然后采用SOFCMAC神经网络在线重构系统的非线性特性 ,以消除非线性特性引起的系统误差 ,可保证非线性系统闭环稳定并使系统输出跟踪期望输出 .

基于自组织模糊CMAC神经网络的不确定系统的H_∞鲁棒自适应控制

针对一类不确定系统 ,提出一种基于自组织模糊小脑模型 (SOFCMAC)神经网络的 H∞ 鲁棒自适应控制方法。通过设计标称系统的 H∞ 控制器 ,并采用 SOFCMAC神经网络在线对消系统的建模不确定性产生的误差 ,可保证不确定闭环稳定并具有 H∞ 性能。证明了 SOFCMAC神经网络 H∞ 鲁棒自适应控制系统的稳定性。仿真算例表明了该方法的有效性。

模糊CMAC网络的双足机器人跑步轨迹规划

为了研究双足机器人在单腿支撑阶段和飞行阶段质心轨迹和双足轨迹,采用模糊CMAC(fuzzy cerebellar model articulation controller,FCMAC)神经网络规划双足机器人跑步时质心和双足的方法。通过FCMAC神经网络学习生成跑步轨迹,仿真实验结果表明:双足机器人跑步时各关节角度和关节驱动力矩变化稳定,能够实现稳定的跑步,验证了方法的有效性。

一种新型的模糊CMAC网络的研究及应用

描述一种新型的模糊CMAC网络,运用全新过程的可变感受野来代替固定感受野,同时采用规则启动通道层代替原有的哈稀散列层,从而避开哈稀散列表的冲突问题。网络模型的隶属度函数采用三角形函数,参数学习采用改进的进化规划算法,并提出递归变化率的概念。存储区权值采用最小二乘法的批学习方法进行求解。

基于近似模型的多层模糊CMAC自适应非线性控制

针对非线性离散时间系统的控制问题 ,提出了一种基于近似模型的多层模糊 CMAC自适应控制方法 .采用多层模糊 CMAC对非线性函数进行逼近 ,并提出了一种新的神经网络学习算法来保证权值的有界性 .由于无需满足 PE条件 。

基于FPGA的模糊CMAC网络的硬件实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法。首先,分析了模糊CMAC网络的结构与算法,并以MAT-LAB仿真为依据,得到模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络。测试结果表明:该模糊CMAC网络硬件实现具有速度快、精度高的特点,且占用较少的硬件资源,是SOPC中实现模糊CMAC网络模块的一种有效方法。

挖掘机器人轨迹的模糊CMAC神经网络控制

在对挖掘机器人工作装置动力学分析的基础上,为克服多变量、强耦合及负载扰动对轨迹控制系统的影响，提出了模糊CMAC神经网络与常规控制相结合的控制方法,使神经网络逼近挖掘机器人工作装置逆动力学模型,很好地解决了轨迹控制的问题。利用MATLAB进行仿真研究，结果表明该控制方法具有较高的控制精度和鲁棒性，满足挖掘机器人轨迹控制的要求。

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。

模糊CMAC神经网络在机器人装配作业中的应用

在对机器人销孔装配过程销的装配力与位姿关系实验分析的基础上,设计了机器人主动装配作业的模糊CMAC神经网络系统,采用Takagi型模糊推理方法和有监督的Hebb学习规则,由5自由度装配机器人对直径为12mm的销孔进行了主动装配实验,收到良好的装配效果。

模糊CMAC的硬件结构分析及其FPGA实现

提出了模糊CMAC的一种基于FPGA的硬件实现方法。与其它FPGA实现的神经网络相比,包含了可以用于在线学习的权学习算法。分析了模糊CMAC的模型结构及其相应的硬件模块;用VHDL实现基于上述模块的模糊CMAC;对该模糊CMAC进行硬件综合与测试。测试结果表明:该模糊CMAC的FPGA实现方法是可行的,硬件化后的网络具有速度快、精度高、占用器件资源少的特点,是在SOPC中实现模糊CMAC模块的一种有效方法。

基于混沌遗传算法的模糊CMAC控制

分析CMAC神经网络和模糊控制的特性,给出了一种能反映人脑认知的模糊性和连续性的模糊CMAC神经网络控制器,该控制器采用高斯函数作为模糊隶属函数,利用神经网络实现模糊推理并可对隶属函数进行实时调整,从而使其具有学习和自适应能力;针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用混沌遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整;仿真结果表明了该方法的可行性和有效性。

模糊CMAC网络的FPGA实现

提出了模糊CMAC网络的一种基于FPGA的硬件实现方法,首先,给出了模糊CMAC网络的模型及其算法,通过MATLAB仿真获取了模糊CMAC网络的FPGA实现所需的参数;在此基础上,对模糊CMAC网络进行硬件模块划分,基于VHDL实现了各硬件模块的功能描述,并对模块结构和权存储方式进行了优化;最后,在特定的FPGA器件上实现了模糊CMAC网络;测试结果表明:该模糊CMAC网络的FPGA实现方法是可行的,硬件化后的网络具有速度快、精度高、占用器件资源少的特点,是SOPC中实现模糊CMAC网络模块的一种有效方法。

带有资格迹的模糊CMAC控制仿真研究

提出一种带有资格迹的模糊CMAC控制器(FCE),资格迹的引入可以对控制系统进行超前预测,提高系统的稳定性。研究了FCE系统的构成,并推导其学习算法。为适用于在线控制,给出了高效的FCE算法实现方案。应用于船舶航向控制的仿真结果表明,当存在风浪干扰海况下,船舶航向的控制仍能取得令人满意的效果。

基于模糊CMAC的飞行模拟机六自由度平台的复合控制

针对飞行模拟机六自由度平台电液位置伺服系统的负载变化大、非线性程度高、易受外界干扰等特点,提出采用模糊CMAC神经网络控制策略来提高系统的性能,给出具体的网络控制结构和算法,并在MATLAB上进行了仿真。仿真结果表明,该方法具有较强的自适应能力和鲁棒性,适用于六自由度平台的电液位置伺服系统。