一种新的MIMO非线性系统动态解耦控制方法

提出了一种基于回归小波网络(recurren t w ave let netw orks)的多输入多输出系统(m u lti-inpu t m u lti-ou tpu t)动态解耦控制的新方法。该方法为分散式控制结构,采用回归小波网络作为解耦辨识器(decoup ling iden tifier),在线动态辨识、回馈对应输入输出的灵敏度信息(sens itiv ity in form ation),P ID神经网络控制器根据回馈信息实现自适应分散独立控制。小波函数的紧支性、波动性以及回归网络较强的动态非线性映射能力使得回归小波网络具有较好的综合性能。仿真结果表明,用该方法构成的控制系统解耦效果好,收敛速度快,且具有较好的鲁棒性。

基于双隐层DRNN的自整定PID解耦控制

随着科学技术的不断进步和发展,被控对象正变得越来越复杂,而人们对其控制精度的要求却日益提高,这样就产生了复杂性和精确性的尖锐矛盾。智能自适应控制是解决上述问题的有效方法之一。该文针对强耦合带延时多输入输出(MIMO)非线性离散系统难以实现解耦的问题,推导了双隐层DRNN的权值学习算法,实现了基于双隐层DRNN结构与动态BP网络的加速算法的在线自整定PID解耦控制,仿真表明该方案具有良好的动态、静态性能以及很强的自适应性。

柔性关节机械臂自适应神经网络动态面控制

针对柔性关节机械臂动力学模型具有非线性、不确定性和未知的外界扰动等问题,提出了基于自回归小波神经网络的自适应动态面控制方法.采用对于非线性系统具有良好学习和快速收敛能力的自回归小波神经网络,在线观测和补偿动力学模型的不确定项.并应用动态面方法设计控制器实现了关节轨迹跟踪控制.仿真和实验结果显示：当存在模型参数不准确及未建模的外部扰动力矩时,控制算法表现出良好的自适应能力,与传统动态面法和PD（比例微分）控制相比较,显著提高了柔性关节的位置跟踪精度.