基于小脑模型关节控制器神经网络的短期电价预测

电价预测是电力市场决策的基础。文中介绍了采用小脑模型关节控制器(CMAC)神经网络建立预测提前1天不同时段的电力市场短期电价的预测模型。并以美国加州电力市场的数据作为计算实例,分别采用CMAC神经网络和反向传播算法(BP)神经网络进行短期电价预测。两种预测结果对比表明,CMAC神经网络具有所需训练样本少、输出稳定性好、计算速度快和预测精度高等优点,比较适用于短期电价预测。

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.

一种状态自动划分的模糊小脑模型关节控制器值函数拟合方法

在庞大离散状态空间或连续状态空间中,强化学习(RL)需要进行值函数拟合以寻找最优策略.但函数拟合器的结构往往由设计者预先设定,在学习过程中不能动态调整缺乏自适应性.为了自动构建函数拟合器的结构,提出一种可以进行状态自动划分的模糊小脑模型关节控制(FCMAC)值函数拟合方法.该方法利用Bellman误差的变化趋势实现状态自动划分,并且探讨了两种选择划分区域的机制.汽车爬坡问题和机器人足球仿真平台中的实验结果表明新算法能有效拟合值函数,而且利用所提出的函数拟合器智能体可以进行有效的强化学习.

基于小脑模型关节控制器的水下机械手复合运动控制的研究及仿真

水下机械手系统是一个高度非线性强耦合的作业系统,作业环境非常复杂且受到强干扰。考虑水动力对水下机械手的作用,推导了水下机械手的动力学模型;提出了一种基于小脑模型关节控制器与PID的复合控制算法,使水下机械手具有在线学习能力,能适应复杂的水下作业环境。以二关节水下机械手为例,利用MATLAB/Simulink对水下机械手的作业控制进行了仿真研究,结果证明,该控制方法和动力学模型可以有效地用于水下机械手的控制研究。

小脑模型关节控制器网络在传送带给料生产加工站学习优化控制中的应用

研究单站点传送带给料生产加工站(conveyor-serviced production station,CSPS)系统的前视(look-ahead)距离最优控制问题,以提高系统的工作效率.论文运用半Markov决策过程对CSPS优化控制问题进行建模.考虑传统Q学习难以直接处理CSPS系统前视距离为连续变量的优化控制问题,将小脑模型关节控制器网络的Q值函数逼近与在线学习技术相结合,给出了在线Q学习及模型无关的在线策略迭代算法.仿真结果表明,文中算法提高了学习速度和优化精度.

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。

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．

飞行机器人递归小脑神经网络模型分解控制

为解决一类不确定非线性系统的控制问题及系统混合干扰上界在实际应用中难以测量的问题,提出递归小脑神经网络模型分解控制算法。将系统分为名义模型、结构不确定性和非结构不确定性,分别对名义模型设计直接反馈控制器、对结构不确定性设计自适应控制器、对非结构不确定性设计鲁棒控制器。设计递归小脑模型关节控制器作为观测器来对系统干扰的上界进行实时逼近。李亚普诺夫理论证明了控制算法可使系统渐进稳定,微飞行机器人姿态控制仿真结果表明,控制算法改善了系统的动态性能及鲁棒性。研究结论为复杂非线性系统的有效控制提供了依据。

无刷直流电机系统的CMAC逆模型控制

基于逆系统控制的思想,针对无刷直流电机系统的非线性、强耦合以及不确定因素等提出了一种逆模型智能控制方法。该方法利用小脑模型关节控制器实现无刷直流电机的逆动态模型,与原系统模型构成线性系统,获得较传统PID控制更理想的动静态性能,有效克服各种复杂因素的影响。该方法响应快速、无超调、抗扰能力和鲁棒性强,可显著提高实时跟踪能力和控制精度。仿真证明了该方法的有效性,为无刷直流电机控制提供了一种新途径。

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。

基于2型模糊集小脑模型的DC/DC变换器控制系统

随着新能源行业的不断发展,DC/DC变换器越来越多地被运用于各行各业,而DC/DC变换器在负载的效率直接影响到整个系统的效率。因此针对DC/DC变换器,以BUCK电路为例,设计了一种基于滑模区间的2型模糊小波的小脑模型关节控制器(T2WFCMAC)的控制系统。该系统包括主控制器和鲁棒补偿控制器。主控制器是T2WFCMAC,用于模拟理想控制器,鲁棒补偿控制器用于补偿主控制器和理想控制器之间的逼近误差。为了提高控制系统的鲁棒性,采用滑动模态超平面,利用梯度下降法得到了T2WFCMAC参数调整的自适应律。通过李雅普诺夫函数来验证控制系统的稳定性。最后,通过搭建试验平台,验证该方法在负载电阻变化情况下是否比传统PID控制和普通模糊控制更加有效。

模糊CMAC及其在机器人轨迹跟踪控制中的应用

小脑模型关节控制器(CMAC)具有结构简单,学习快速的优点,但是它的空间划分方式不能在线进行调整,影响了其自适应能力的提高.本文将模糊理论引入CMAC,提出了一种能够反映人类小脑认知的模糊性和连续性的模糊小脑模型关节控制器(FCMAC).该控制器对CMAC的空间划分方式进行了模糊化处理,可通过BP学习算法对CMAC的空间划分方式进行在线调整,大大提高了CMAC的自适应能力.所提出的FCMAC被应用于机器人的轨迹跟踪控制系统以克服机器人系统中非线性和不确定性因素的影响.仿真实验结果表明,所提FCMAC与传统的CMAC相比性能上有了很大的改善.

介电型电活性聚合物驱动转动关节控制技术研究

介电型电活性聚合物(Dielectric electroactive polymer,DEAP)具有大应变、高效率、高能量密度等优点,在仿生机器人领域具有广泛的应用前景。基于生物关节驱动原理及圆柱形驱动器特点设计了单自由度转动关节。根据弹性大变形理论建立驱动器DEAP膜的机电耦合模型,通过微分方程组的迭代求解可获得关节输入电压与输出角度之间的非线性关系,但计算工作量大。将小脑模型关节控制器CMAC(Cerebellar model articulation controller)神经网络与PD控制器相结合实现输出角度与输入电压之间的非线性映射,避免了复杂计算过程。阶跃和正弦参考信号的跟踪控制试验验证了CMAC神经网络控制的可行性。

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。

惯性稳定平台变置信度优化平滑CMAC复合控制

提出了一种基于变置信度(MC)及优化平滑算法(OS)的改进型小脑模型关节控制器(CMAC)复合控制方法,用于提高航空遥感惯性稳定平台控制系统指向精度及稳定性。首先,以CMAC学习过程中存储单元被激活的次数为依据,对存储单元设置不同的置信程度,提高了CMAC控制器的学习效率与控制精度,避免了系统动态跟踪中过学习发散现象而导致的控制系统精度下降甚至崩溃;其次,针对常规CMAC算法系统输出波动较大问题,加入优化权值算法,改善系统输出平滑性,提高了CMAC控制器的稳定性,避免了系统输出波动对电机及传动系统损害;最后对提出方法进行了仿真分析并利用实验室某三轴惯性稳定平台进行实验验证。实验结果表明:采用基于MC&OS的改进型CMAC复合控制方法后,稳定平台系统控制精度、响应速度及输出平滑稳定性均得到有效提高,动基座推车实验框架角位置水平跟踪误差RMS值为0.021 6°,相对PID与常规CMAC控制方法分别降低了55.09%和30.55%。

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.

基于模糊CMAC网络的非线性自适应逆控制

针对非线性自适应逆控制中非线性对象的建模和逆建模的精确性这一问题,提出一种基于模糊小脑模型关节控制器(Fuzzy Cerebellar Model Articulation Controller,FCMAC)网络的非线性自适应逆控制方案。将模糊逻辑思想嵌入到CMAC中构成FCMAC来对非线性对象进行较精确的逆建模,从而构建逆控制系统。在对象特性未知的情况下,选用BP网络来对象进行正建模,并由BP网络的辩识结果来对FCMAC的参数进行调整。仿真实验表明了该方案的有效性,且验证了其控制效果较单纯的CMAC网络逆控制更理想。