基于神经-模糊控制系统的移动机器人动态路径规划

针对机器人在未知、复杂环境下从源到目标之间,避开各种类型的障碍的问题,设计了系统的神经-模糊控制算法进行动态路径规划:设计了合理的模糊推理体系,实现输入模糊化、模糊推理规则库、输出去模糊化控制;根据规则库设计神经网络结构,简化网络结构和参数;采用QPSO算法训练网络;状态变量的存储和管理策略,解决了"U"型障碍物内的死循环路径问题。实验结果表明,在以上算法的控制下,机器人能够朝着目标,规划产生合理的路径,不会陷入死循环。

带集中质量智能加肋板振动的自适应模糊控制

带有附加集中质量的加肋板振动控制问题在许多工程中都有重要意义。文章通过基于相互作用的带有附加集中质量和智能加肋梁的正交各向异性单向连续板振动问题的仿真力学模型,对加肋梁采用了ER电流变智能复合材料夹层梁的结构形式,并通过对ER流体施加电场,改变加肋梁结构的刚度和阻尼,从而调整带有附加集中质量加肋连续板的动力响应特性,对这一类结构进行了智能主动控制问题的仿真实验。在仿真试验数据的基础上应用自适应神经-模糊推理控制的方法,分别对激振频率和附加集中质量安装点的位置发生变化时,对带有附加集中质量的这种智能结构的振动问题进行了智能控制方法的仿真研究。仿真结果表明,自适应神经-模糊推理控制的方法能有效地抑制该类结构的振动。

智能车辆巡航建模与硬件在环试验

采用软计算方法设计了智能车辆巡航的神经网络-模糊控制模型。模型采用两输入、单输出方式,两输入分别为车间距离和两车相对车速,单输出为油门量或者刹车量。为了获取模型训练和仿真的数据,设计了车辆跟随试验,试验采用GPS和蓝牙无线通信模块来实时获得两车间的相对距离和相对车速。利用试验数据对CANFIS(collective adaptive neuro-fuzzy inference system)模型进行离线训练,建立了巡航车间距离模型。根据建立的模型设计了控制器,并基于实时仿真平台DSPACE1103进行了硬件在环试验。仿真结果和试验结果对比表明,建立的模型具有一定的合理性,较好地体现了车辆系统的非线性特性。

面向语言评价的Takagi-Sugeno模糊再励学习

综合考虑再励学习的两个重要子问题 :连续空间及语言评价问题 ,提出了一种新的学习方法 ,即面向语言评价的 Takagi-Sugeno(T-S)模糊再励学习。该学习智能体构建在 Q-学习方法和 Takagi-Sugeno模糊推理系统的基础上 ,适于处理连续域的复杂学习任务 ,亦可用于设计 Takagi-Sugeno模糊逻辑控制器。以二级倒立摆控制系统为例 。