CMAC网络与模糊PD并行控制仿真研究

针对工业被控对象广泛存在的不确定性、非线性、时变性和多干扰等特性,提出了一种CMAC网络与模糊PD并行控制器的设计方法。该方法以模糊PD控制代替传统的PD控制实现反馈控制,并采用遗传算法整定模糊PD控制的量化因子,CMAC网络实现前馈控制。仿真结果表明,CMAC网络与模糊PD并行控制相对于PID控制与传统的CMAC网络与PD并行控制具有更强的鲁棒性与抗干扰能力。

汽轮机调速系统CMAC网络PID并行优化控制

针对汽轮机调速系统存在死区、饱和等非线性的控制特点,提出了基于混沌优化策略与CMAC网络PID并行控制相结合的控制方法,并将其应用于汽轮机调速系统的参数设计中。该方法首先通过混沌搜索,得到控制器参数的次优值,然后利用变尺度的方法在次优值附近找出控制器参数的全局最优值。与CMAC网络传统PID并行控制以及单纯PID控制相比较的仿真结果表明,该方法能更好地提高控制系统的精度和响应速度。

CMAC网络建模在非线性预测控制中的应用

CMAC是一种具有线性结构、算法简单的局部化设计网络。将 CMAC网络应用到具体非线性系统的预测控制研究中。对一类 CSTR系统的仿真结果表明 ,该预测控制策略响应快且容易实现 ,具有较强的鲁棒性 。

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 .

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。

高空作业平台CMAC网络PID并行优化控制及协同仿真

高空作业平台调平系统是一个复杂非线性系统,作业环境非常复杂且受到很多干扰。针对此提出了基于干扰观测器和RC滤波的CMAC神经网络PID并行控制的策略。以某型54 m高空作业平台电液比例调平系统为例,以AMESim仿真软件作为主仿真环境,通过软件接口将MATLAB\Simulink控制系统模型集成到AMESim中进行协同仿真。结果表明:与传统CMAC网络PID并行控制以及单纯PID控制相比较,改进的并行控制对负载扰动和模型失配表现出更强的适应性和鲁棒性,而且不论在任何阶段,都具有良好的跟踪效果。

基于高阶CMAC网络的机器人自学习控制器

提出了将 CMAC网络与 PD控制器相结合的机器人在线自学习控制器 ,通过引入高阶网络的概念 ,采用简单的叠加处理法将多维输入空间的 CMAC神经网络化为多个一维输入子网络 ,从而简化系统的网络结构 .同时对进行叠加的一维输入 CMAC网络选取不同的学习步长 ,提高了学习的收敛速度和模型的逼近能力 .计算机仿真结果表明 ,所提出的新型机器人自学习控制器具有很好的控制性能 .

基于人工情感与CMAC网络的机器人行为学习

人工情感是一个新兴的研究方向,情感智能是人工智能对人类智能的重要逼近。该文利用模糊情感模型来指导机器人学习,在CMAC网络框架内实现机器人的新的行为学习方式。仿真实验结果表明基于人工情感与CMAC网络的机器人行为学习能够学习到一条好的行为策略,具有良好的学习性能。该方法对于提高机器人在恶劣环境下的生存能力和自主决策能力具有很大理论意义和实际应用价值。

基于CMAC网络的滑模位置控制研究(英文)

机床数控系统的位置伺服控制模块是一个典型的非线性、不确定性的时变系统,传统的PID控制方法和自适应控制不能达到满意的控制效果。将CMAC网络与滑模变结构控制相结合,提出基于CMAC的滑模位置控制策略,并对该控制算法进行了仿真研究。结果表明:位置伺服系统在该控制策略作用下,响应速度快,无超调,并且能大大减弱常规滑模变结构控制中的抖振现象。

CMAC网络建模在非线性预测控制中的应用

将CMAC网络用到具体非线性系统的预测控制研究中,并且在控制中将CMAC建立的模型输出值与测量输出值进行综合,代替量测输出用于控制中,从而降低辨识器与控制器对未建模动态的敏感性,加强控制器的适应能力和鲁棒性。对一类CSTR系统的仿真结果表明,该预测控制策略响应快且容易实现,对于改善非线性预测控制不失为一种有益的尝试。

ART-2与CMAC网络的性能对比研究

在分别介绍ART-2及CMAC的网络结构和算法的基础上,分析了两种网络在结构以及性能上的相同点和不同点。并采用各自网络进行了建模的应用,其中根据ART-2的特点在其顶部增加了一层额外的输出层.最后根据各自网络对同一非线性电机速度控制系统的建模结果,对ART-2及CMAC网络的特性及适用范围进行了较深入的讨论。

CMAC网络理论在商场照明设计中的应用

本文提出将小脑模型连接控制器 (CMAC)网络理论应用照明设计思路 ,利用其有监督的学习过程 ,计算快速、准确。适用于商场等照明设计。

基于CMAC网络的主动隔振控制技术

针对主动隔振系统存在非线性,提出一种基于CMAC神经网络控制器的主动控制方法。由于系统的次通道使得控制器参数无法直接利用振动误差信号来调整,提出一种改进的同时扰动自适应算法,并证明该算法在数学期望上是一种随机梯度法。针对系统的非线性情况进行了仿真和试验研究,结果表明:与传统的FXLMS自适应前馈控制方法相比,所提出的方法对于存在非线性的周期性振动的隔振效果明显。

一种基于CMAC网络的自学习控制器

通过分析 CMAC神经网络的学习机制和连续搅拌反应釜的结构 ,提出了一种自动选择学习率的 CMAC自学习控制方法 .给出了自学习控制器的结构和算法 ,并以连续搅拌反应釜模型为对象进行了仿真研究 .这种网络每次学习少量参数 ,算法简单 .仿真结果表明所提出的控制器优于传统的

基于CMAC网络强化学习的电梯群控调度

电梯群控调度是一类开放、动态、复杂系统的多目标优化问题.目前应用于群控电梯调度的算法主要有分区算法、基于搜索的算法、基于规则的算法和其他一些自适应的学习算法.但已有方法在顾客平均等待时间等目标上并不能够达到较好的优化性能.本文采用强化学习技术应用到电梯群控调度系统中,使用CMAC神经网络函数估计模块逼近强化学习的值函数,通过Q-学习算法来优化值函数,从而获得优化的电梯群控调度策略.通过仿真实验表明在下行高峰模式下,本文所提出的基于CMAC网络强化学习的群控电梯调度算法,能够有效地减少平均等待时间,提高电梯运行效率.

基于层迭CMAC网络的6-DOF机器人自适应控制

研究了标称自适应 +迭代学习控制算法的稳定性 ,并利用层迭 CMAC网络的优良特性 ,提出了基于层迭 CMAC的标称自适应 +迭代学习控制方法 .此方法将标称自适应控制中确定的模型信息与未知的信息分离 ,充分利用模型中确定的信息进行前馈控制 ;而对于未知信息 ,则利用层迭 CMAC进行自适应学习 .仿真实验表明用本文所设计的控制系统对 6 - DOF并行机器人进行轨线控制 ,可获得比以往的普通 CMAC+PD控制系统更好的控制效果 .

一种改进的B样条CMAC网络概念映射方法

针对CMAC网络在输入维数高、量化间距小、样本数量多的情况下导致虚拟存储空间过大的问题,提出一种改进的基于多维存储结构的B样条CMAC网络概念映射方法,无需增加虚拟空间到物理空间的hash映射,避免了地址碰撞问题,与其他映射方法相比,由于该方法只映射量化空间中少量的有规律的地址单元,使得该映射方法实际所需虚拟地址空间远小于其他方法,从而在存储空间受限情况下,可以显著提高网络的学习精度和泛化能力.仿真试验结果表明,在新的映射方法下,B样条CMAC比常规CMAC学习精度高,学习速度快,泛化能力强,对相同结构的B样条CMAC网络,新的映射方法在存储空间大小、学习能力和泛化能力等方面明显优于现有的其他方法.

CMAC网络在机器人手眼系统位置控制中的应用

在机器人手眼系统位置控制中,用神经网络建立了机器人非线性视觉映射关系模型,实现了图像坐标到机器人坐标的变换。该模型采用了一种新的多维CMAC网络的处理方法———叠加处理法。实验表明,与BP网络相比,CMAC网络能以较高的精度和较快的速度完成手眼系统的坐标变换。

基于CMAC网络Sarsa(λ)学习的RoboCup守门员策略

针对RoboCup仿真组足球比赛场上状态复杂多变、同时供决策的信息大多为连续变量、智能体利用现有信息通常无法判断当前状态下最优动作的问题,以守门员为例,首先利用CMAC神经网络对连续状态空间泛化,然后在泛化后的状态上,采用Sarsa(λ)学习算法获取守门员的最优策略.通过在RoboCup仿真平台上进行仿真,实验结果表明,采用基于CMAC的Sarsa(λ)学习算法的守门员,经过一定时间的学习后,防守时间显著增长,防守效果明显优于其他算法,验证了本文所提方案的有效性.