一、模糊神经网控制器学习方法的改进(论文文献综述)
高赫佳[1](2021)在《柔性系统的建模与神经网络控制研究》文中指出柔性系统涵盖了柔性机械臂、仿生柔性扑翼飞行器和柔性建筑等多种不同的对象。随着柔性系统的大量应用,其控制理论与方法问题已经成为具有前瞻性的高新技术研究方向,受到了学术界和工业界的广泛关注。目前,柔性系统领域的控制理论与方法问题诸如柔性多连杆机械臂的轨迹跟踪及振动控制问题,自然灾害下柔性建筑的约束控制问题,复杂环境下仿生柔性扑翼机器人的容错控制问题等都己发展成为具有国家重大需求的共性科学问题,极富挑战性。因此,为了突破具有环境适应性的不确定柔性系统的建模与智能控制的技术难题,本文紧密结合柔性系统的智能控制理论与方法的研究趋势及其在实际工业中的应用,对柔性系统的建模机理及控制策略等相关理论和关键技术进行了系统深入地研究。本文采用假设模态方法建立了柔性机械臂系统的动力学模型,解决了柔性系统无穷维特性导致的建模机理的难题;设计了具有一致逼近性能的模糊神经网络控制器,解决了系统动力学不确定性问题;构造了基于高增益观测器的神经网络控制器,解决了实际工程中不易测得的状态信息问题;并成功地在Quanser平台上进行了实验验证,解决了带有动力学不确定性的柔性机械臂的振动控制的难题。其次,针对带有输出约束的柔性建筑系统,基于Actor-Critic算法设计了自适应强化学习控制器,设计辅助系统及扰动观测器,解决了未知扰动条件下柔性建筑的输出约束及振动抑制问题;并在Quanser平台上进行了实验验证,突破了传统控制方法无法处理分布式扰动、高维数、不确定系统的局限性。另外,针对仿生扑翼飞行机器人系统,采用新型有限刚体儿方法和MapleSim仿真平台进行了可视化建模,基于非奇异快速终端滑模方法设计了自适应有限时间容错控制器,并在搭建的虚拟智能平台上进形了测试,解决了系统动力学的不确定性、执行器故障下的鲁棒性及复杂环境下的稳定性问题。本文分析了几类柔性系统的动力学特性,研究了生产开发过程中的振动控制和优化问题,该研究成果将为柔性系统的建模机理与控制设计提供理论依据,为振动控制的实现提供技术支撑,并进一步促进机械结构与控制系统学科间的交叉研究。
黄浩晖[2](2020)在《机器人柔顺交互控制策略与运动规划研究》文中指出协作机器人不仅需要具备强大的可控性和灵活性,更需要具备自主作业的能力以应对复杂作业任务。然而,目前的机器人控制系统面临着运动编程效率低、控制柔性不足等问题;此外,传统柔顺控制方法过度依赖传感器及环境模型,已经难以满足日益复杂的工作任务需求。因此,如何提高机器人系统的技能学习、泛化和交互能力已经成为适应新一代协作机器人发展的关键举措。本文一方面设计机器人的增量运动控制器,重点解决传统神经网络控制器中节点参数难以确定、适用性单一等问题,提高机器人运动控制中的学习与泛化能力。另一方面,针对机器人与环境交互过程中阻抗模型难以获取问题,研究模型未知情况下的机器人柔顺运动控制策略,开发高效、安全的机器人-环境交互技术。具体来说,本文的主要研究内容包括以下三个方面:一、高效的类人化运动控制以及技能学习能力对智能机器人实现复杂任务具有十分重要的作用,本文基于宽度神经网络,提出一种基于宽度学习的增量运动控制方法。首先,基于宽度神经网络出色的学习与泛化能力,结合障碍李雅普诺夫函数和误差约束函数,设计适用于不同任务轨迹下的增量运动控制器,同时解决传统神经网络中心点参数难以设计的问题。然而,由于宽度神经网络的节点数是动态可变的,神经网络紧集的大小难以确定,导致神经网络的逼近精度难以保证。本文通过设计切换函数和虚拟动态神经网络紧集,保证宽度神经网络控制器的全局一致最终有界稳定,从而实现全局稳定的增量运动控制。最后,引入确定学习理论和持续激励条件,通过对不同轨迹进行增量学习,得到增量运动控制器,再把权值收敛后的神经网络控制器复用到新的任务轨迹,从而实现高效、智能的运动轨迹泛化。二、先进的自适应阻抗控制技术是实现机器人与环境友好、安全交互的前提,当机器人与环境交互时,期望任务轨迹将会由于外界干扰受到改变,原来控制器的性能可能受到影响。此外,实际的环境模型难以获得,实现未知环境下的柔顺控制是一门具有挑战性的课题,因此,本文设计一种基于宽度模糊神经网络以及状态受限的自适应阻抗控制器。首先,通过设计机器人与环境交互的代价函数,通过策略迭代学习方法求解环境的最优模型,得到最优的阻抗增益,实现面向未知环境下的最优阻抗控制;同时设计一个软函数,解决由于阻抗参数突变而引起的控制抖动问题;最后,根据系统输入的运动轨迹和机器人状态,自适应调节宽度模糊神经网络中的特征节点参数,通过设计合理的障碍李雅普诺夫函数,使得机器人在与环境交互的过程中能工作在安全的范围内,并保证机器人的暂态和稳态跟踪性能。三、阻抗控制算法能实现机器人与环境的柔顺交互,然而由于环境的阻抗模型以及机器人的动力学模型难以准确搭建,使得精准的力位控制难以实现。本文基于动态系统理论,提出一种新型的轨迹自适应柔顺交互算法。该算法以任务轨迹为引导,无需考虑环境与机器人模型,只需要根据机器人与环境交互过程中的力反馈信息和力跟踪误差,通过构建势能函数和鲁棒因子,自适应调节原始动态系统所获得的期望轨迹,并保证调整后轨迹的稳定性以及收敛性,从而实现面向未知环境的机器人与环境柔顺交互,从运动规划层面解决传统柔顺控制依赖环境阻抗模型问题。
王瑶为[3](2020)在《网络化多轴运动系统的轮廓跟踪与同步控制研究》文中提出多轴运动系统的轮廓跟踪和同步控制作为现代智能制造系统运动控制领域的核心技术之一,已广泛应用于诸如数控机床、工业机器人、无轴印刷机、纺织机等行业。而以太网技术的发展与引入,使得运动控制系统具有布线简单、耦合性降低、功能模块化便于扩展以及容易维护等众多优点,且运用网络取代PCI插卡方式实现多轴运动控制的架构成为主流趋势。因此,研究网络化运动控制系统具有重要的实际意义。目前,针对多轴运动控制的算法除了传统PID控制外,还有许多先进的控制算法,如神经网络模糊控制、滑模变结构、H∞控制、自抗扰控制等。然而,将以太网技术引入到运动控制系统增加了新的因素和问题,如以太网非确定性通信机制导致网络诱导时延、数据丢包等问题,降低了多轴运动控制性能。同时,系统耦合与外部负载等扰动对系统控制性能的影响不可忽视。而多轴运动系统的轮廓跟踪与同步控制是运动控制系统重要且常见的问题,本文将研究在上述不确定性因素影响下的多轴轮廓跟踪和同步控制问题,建立起适用于基于通用以太网的多轴运动系统轮廓跟踪与同步控制理论与方法。特别地,本文通过改变物理结构和通信调度,探索一种基于通用以太网的多轴运动控制系统架构,在已有通信方式下通过控制策略来补偿网络化带来的影响。同时,开发了基于PC的软件控制器,无需配置额外的硬件模块,在降低开发成本的同时,增加系统的通用性。综上所述,本文主要研究基于通用以太网的多轴运动轮廓跟踪和同步控制问题,主要研究工作如下:(1)由于采用常规的算法来实现网路化运动系统的控制,无法得到满意的控制性能,进而给出了网络化运动控制系统的需求分析。在此基础上,设计并搭建了一套基于通用以太网的多轴运动系统实验平台,并开发了具有良好人机交互界面的客户端软件和嵌入式系统服务端软件。通过分析原因,特别是网络带来的延迟等不确定性,需要通过设计合适的控制算法来补偿这些不确定性和其他干扰对系统性能的影响。所设计的实验平台具备较好的可扩展性和通用性,可以便捷的开展各种多轴运动控制算法的实验,验证算法的有效性和可行性。基于该平台通过实验辨识得到伺服系统二阶、模型参数,并给出了网络诱导时延的测量方法和测量结果。进一步的,分别考虑本地伺服系统模型参数已知和未知两种情况,将网络时变时延导致的系统模型不确定性建模为系统总和扰动的一部分,并由此建立多轴运动控制系统模型,为后续的算法设计奠定基础。(2)针对具有网络诱导时变时延的多轴运动轮廓跟踪控制问题,考虑本地伺服系统参数未知的情况,提出了一种基于线性自抗扰控制(LADRC)和模糊PID的轮廓跟踪控制算法。通过将网络时变时延引起的不确定性建模为系统总和干扰的一部分,进而设计基于线性扩张状态观测器(LESO)的线性自抗扰控制器实现系统总和干扰的实时估计与补偿,降低其对系统的影响。在此基础上,设计基于模糊PID的交叉耦合控制器(CCC),实现较好的轮廓跟踪控制性能。所提出的方法无需考虑系统模型参数信息,且结构简单,具有一定的实际应用价值。(3)针对具有网络诱导时变时延的多轴运动轮廓跟踪控制问题,考虑本地伺服系统参数已知的情况,提出了一种基于广义扩张状态观测器(GESO)与模型预测控制(MPC)的轮廓跟踪控制算法。首先将网络诱导时延分解为定常部分与不确定性部分,进而将不确定性产生的影响部分建模为系统的总和干扰的一部分,设计基于GESO的MPC实现系统总和干扰的估计与补偿,降低其对系统的影响,并给出了系统稳定性证明。在此基础上,采用CCC进一步提高轮廓跟踪控制性能。(4)针对具有网络诱导时变时延的多轴运动位置同步控制问题,考虑本地伺服系统参数未知的情况,提出了一种基于LADRC的位置同步控制算法。在建立同步耦合误差模型的基础上,将网络时变时延引起的不确定性建模为系统总和干扰的一部分,进而设计基于LESO的LADRC实现系统总和干扰的估计与补偿,降低其对系统的影响,实现良好的位置同步控制性能,并给出了同步控制系统的稳定性条件。所设计的算法无需考虑系统模型参数信息,且结构简单,亦具有一定的实际应用价值。(5)针对具有网络诱导时变时延的多轴运动位置同步控制问题,考虑本地伺服系统参数已知的情况,提出了一种基于GESO的位置同步控制算法。在建立同步耦合误差模型的基础上,将网络诱导时延分解为定常部分与不确定性部分,进而将不确定性部分对系统的影响建模为系统的总和干扰的一部分,设计基于GESO的位置同步控制器实现系统总和干扰的估计与补偿,降低其对系统的影响,实现了良好的位置同步控制性能,并给出了同步控制系统的稳定性条件。论文通过在所设计的实验平台上开展了一系列实验研究,实验结果验证了所提出算法的有效性和可行性。最后,对全文进行了总结,并展望了有待进一步研究的问题。
薛银库[4](2020)在《基于模糊神经网络的无人船航向控制研究》文中研究表明当今社会科技发展飞速,自动化和智能化已逐渐渗透到各行各业,并成为发展的主流方向。在航海方面,常面对危险或人力不可为的任务,因此相关的自动化、智能化技术发展备受关注。而无人船作为一种智能化的水面机器人,具有自主航行的能力,并且能够进行环境感知和目标探测,可以在危险的水面替代人类完成重要的任务,因此无人船的应用受到世界各国的广泛关注。无人船的发展经历了半自动化向智能化的转变,具有很大的上升空间,因此需要不断地进行创新和完善,从而更好地推动无人船事业的发展。无人船系统的非线性、不确定性和外界环境多变,造成了无人船的控制系统十分复杂且对控制的精度稳定和快速性的要求很高,因此无人船必须在传统航向控制基础上找到更加智能、高效的控制方法。本文研究内容如下:(1)建立无人船的数学模型,对无人船的硬件实现、通信协议进行设计;(2)提出了用结合神经网络和模糊逻辑的模糊神经网络(Fuzzy Neural Network,FNN)对PID参数进行整定,但因为反向传播时采用的梯度下降法收敛速度慢及网络结构相对复杂,影响了控制系统的快速性,因此采用Fletcher-Reeves共轭梯度法(FR)代替梯度下降法,从而优化了网络的收敛速度;(3)建立了基于FR法优化的模糊神经网络模型,利用优化后的模糊神经网络算法整定PID控制参数,设计了航向控制器;(4)考虑到无人船外界环境的复杂性,加入风、浪、流因素对无人船的航向控制进行抗干扰能力比较分析,证明基于FR法优化的模糊神经网络航向控制器的控制性能及抗干扰能力明显加强。实船试验阶段,对无人船B/S架构远程端进行介绍,最后对无人船的航向控制进行实验和分析。通过仿真实验,本文提出的基于模糊神经网络的无人船航向控制器的控制性能以及抗干扰能力都有显着提升,对未来无人船的研究起到了借鉴意义。
程宗政[5](2020)在《改进的模糊神经网络PID算法的研究与应用》文中认为传统PID算法具有结构简单、原理清晰等特点,在工业控制中得到广泛应用。随着现代工业的发展,传统PID算法在应对具有非线性的系统时,无法保证控制的精确性和稳定性。模糊神经网络具有处理非线性特性的能力,能够进行模糊控制推理和人工神经网络自学习,因此将模糊神经网络算法和传统PID算法相结合能够很好地解决非线性系统的控制问题。由于模糊神经网络算法初始权值和阈值是随机取得,且自身需要优化的参数过多,导致模糊神经网络PID算法在控制过程中存在控制实时性较差和控制的精度无法达到理想效果等问题。基于此,论文提出使用粒子群算法改善模糊神经网络的初始权值和阈值,并针对常规粒子群算法存在的全局寻优能力差和收敛速度慢等问题,提出采用激活停滞粒子和在全局最优粒子的局部区域进行搜索的方式来改进常规粒子群算法,改进后算法的全局寻优能力会得到显着加强,但是改进后算法依然存在收敛速度较慢的问题。为了进一步提高算法的全局寻优能力和收敛速度,论文提出天牛须蜂群算法。天牛须蜂群算法是在传统人工蜂群算法的基础上加入天牛须搜索策略,模拟天牛在觅食和搜索时,利用左右触须比较气味的浓度来确定前进的方向。天牛须算法的引入能够让蜜蜂在觅食时,获得明确的搜索方向,增强了蜜蜂对食物源的搜索能力,使得算法全局寻优能力增强并且收敛速度更快。将以上两种智能寻优算法对模糊神经网络PID算法进行改进,并以工业闪蒸罐为被控对象,利用两种改进模糊神经网络PID算法和常规模糊神经网络PID算法分别对闪蒸罐系统进行压力仿真实验。结果表明:天牛须蜂群优化的模糊神经网络PID算法的调整时间进一步缩短,超调量更低,使得闪蒸罐压力系统获得更好的控制性能。借助SMPT-1000高级过程控制实验设备和西门子的SIMATIC PCS7设计了闪蒸罐压力控制实验,实际结果验证了天牛须蜂群优化的模糊神经网络PID算法的控制效果。
姜俊彤[6](2020)在《基于模糊神经网络的列车防冒进系统研究》文中进行了进一步梳理列车防冒进系统是保证列车安全运行的核心设备。由于其设计之初仅考虑了列车触发防护曲线下启动紧急制动的机制从而达到安全停车的目的,难以满足复杂线路运行条件下日渐多样化的列车运行需求。针对上述问题,为满足列车在保证安全、准确停车的基础上兼顾运行舒适度及行车节能性的需求,分别对列车制动过程精确建模、运行曲线多因素优化以及列车速度控制算法优化三个方面进行研究。1、研究了列车制动过程的非线性建模问题。基于模糊神经网络算法具有对非线性复杂系统建模的能力,并且结合了模糊系统对事件的描述以及神经网络自我学习的优点,采用模糊神经网络对列车制动的离散化运动方程进行建模与参数辨识。2、研究了列车运行曲线的多因素优化问题。首先根据列车的单质点受力分析逆推得到速度-距离防冒进曲线公式后,采用高斯线性拟合对防冒进曲线公式进行柔化处理。其次在传统粒子群算法特点的研究基础下提出一种基于列车运行多因素评价指标下的改进型粒子群算法,并通过该算法将速度-距离曲线转换为速度-时间优化曲线。3、结合列车的速度控制,对采用传统PID算法的控制器进行了分析。虽然PID算法具有总体控制效果较好、算法实现简单的优点,但也存在多模型切换时响应性较差、跟随曲线波动的缺点。同时对防冒进的传统的PID算法和BP-PID(神经网络PID)进行了对比分析。虽然在多模型切换响应性方面有明显优势,但由于神经网络算法本身对于初始权重选择的局限性和随机性会导致被控系统难以符合控制要求。4、设计了一种基于PSO-BP-PID算法的速度控制器。为解决多模型切换响应与初始权重选取的问题,结合传统PID以及BP-PID算法优缺点,通过粒子群算法对BPPID算法的初始权重参数进行寻优,从而设计一种基于PSO-BP-PID算法的速度控制器。本文以中车试运线路数据为基础,采用基于PSO-BP-PID算法的速度控制器对列车防冒进系统主动干预模式下的运行过程进行仿真,并选取多项性能评价指标对仿真结果进行分析。仿真结果表明,本文提出的基于ANFIS的多因素PSO-BP-PID列车防冒进系统在多因素评价指标以及控制器系统动态性能方面相较于传统算法具有明显的优越性。
伍小龙[7](2019)在《城市污水处理过程自组织滑模控制研究》文中认为城市污水处理过程控制是保证出水水质达标、提高处理效率的重要手段,其基本思想是:通过及时获取运行过程数据,利用控制方法对风机、回流泵、加药泵等进行调节,达到期望的运行效果。然而,由于城市处理包含物理处理、生物处理和化学处理等过程,其过程控制面临巨大的挑战,主要体现在:1)影响城市污水处理过程状态的因素众多且相互影响,城市污水处理过程机理异常复杂,缺少精确的机理模型。2)城市污水处理过程变量难以实时检测,尤其是关键水质参数总磷(TP)、氨氮(NH4-N)等无法在线检测,缺少足够的运行状态信息。3)城市污水处理过程入水只能被动接受,入水流量、成份、污染物种类、有机物浓度等波动较大,是一个典型的多干扰非线性动态系统,且始终运行于非平稳状态。因此,如何精确识别城市污水处理过程状态,利用有效的过程控制方法实现过程变量的稳定精准控制,仍然是当前城市污水处理过程控制研究的热点和难点。针对上述城市污水处理过程控制面临的挑战,论文以城市污水处理出水水质稳定达标为目标,基于城市污水处理过程工艺和原理,解析过程生化反应机理,提取城市污水处理过程难在线检测的水质参数,建立了关键水质参数的智能检测模型,实现了实时在线检测出水TP、出水NH4-N等关键水质参数;分析典型控制过程及其工况特征,确定影响过程控制性能的因素,设计了具有强自适应能力和鲁棒性的自组织滑模控制器,实现了城市污水处理过程溶解氧、内回流等典型过程变量的稳定高精度控制;完成了污水处理过程检测、控制等技术的封装,研制出城市污水处理过程自组织滑模控制系统,并在实际污水处理厂进行测试应用。论文主要研究工作和创新点如下:(1)关键水质参数的智能检测模型设计针对出水TP、出水NH4-N等关键水质参数难以在线精确检测的问题,文中设计了一种基于自组织模糊神经网的关键水质参数智能检测模型。首先,通过最小二乘法提取关键水质参数的相关变量,确定智能检测模型的输入输出变量;其次,基于模型结构风险评价指标优化模型结构,同时更新模型的结构和参数,提高了智能检测模型的精度;最后,分析出智能检测模型的收敛条件,并给出了结构优化算法的收敛条件下参数选择的准则,确保模型的成功应用,实际应用结果显示所提出的智能检测模型具有较好的实时性和检测精度。(2)城市污水处理过程鲁棒滑模控制器设计针对城市污水处理过程存在严重的外部和内部扰动问题,论文提出了一种城市污水处理过程鲁棒滑模控制方法。首先,设计出外部鲁棒控制器,基于自适应趋近率完成滑模控制率的求解,实现了控制过程的快速收敛和外部干扰的抑制;其次,设计出内部鲁棒控制器,基于模糊神经网络完成内部干扰动态特征的提取,形成内部鲁棒控制率,确保内部干扰下系统的鲁棒性;最后,通过构造李雅普诺夫函数,完成了鲁棒滑模控制器的性能分析。典型非线性系统和城市污水处理过程硝态氮控制的应用效果表明,鲁棒滑模控制器不仅能够在内部和外部干扰作用下保持稳定的控制性能,而且具有收敛速度快的优势。(3)城市污水处理过程单变量自组织滑模控制器设计针对城市污水处理过程中存在严重的非线性和不确定性问题,论文提出了一种城市污水处理过程单变量自组织滑模控制器,实现了溶解氧浓度的精准控制。首先,利用控制器的跟踪误差和结构风险,设计控制器性能评价指标,并根据评价结果优化控制器结构,减轻自组织滑模抖振现象;其次,采用自适应投影算法对控制器的参数进行更新,提高控制响应速度;最后,在控制器固定结构和自适应结构阶段,分别分析了控制器的稳定性和收敛性,同时给出了自适应参数设置方法,以确保自组织滑模控制器的成功应用。典型非线性系统和城市污水处理过程溶解氧控制的应用效果表明,单变量自组织滑模控制器不仅能够保持平稳精准的跟踪控制性能,还在动态设定点跟踪控制时具有较快的控制响应。(4)城市污水处理过程多变量自组织滑模控制器设计针对城市污水处理全流程难以平稳运行的问题,论文提出了一种城市污水处理过程多变量自组织滑模控制器。首先,设计出一种适用于城市污水处理全流程的多变量自组织滑模控制器架构,包括:多输入多输出滑模控制、多输入多输出自组织模糊神经网络补偿控制、以及自适应策略;其次,基于控制率计算结构和系统输出信息,提出一种的自适应控制增益优化策略,通过调节控制器增益,平滑控制器的输出,解决了控制信号波动大引起的控制性能下降问题,确保控制器控制性能;最后,为了保证控制器的稳定性,给出了多变量自组织滑模控制器参数设计原则及执行步骤,确保控制器实际应用中的可操性。城市污水处理过程多变量控制的应用效果表明,该控制器不仅能同时稳定精准控制曝气、内回流等过程,而且控制器输出的控制信号连续平滑。(5)城市污水处理过程自组织滑模控制系统为了实现城市污水处理过程自组织滑模控制的验证与应用,论文研制出一套城市污水处理过程自组织滑模控制系统。首先,在控制系统架构方面,采用封装式可嵌入应用软硬件,其中包含数据采集模块、关键水质参数检测模块以及自组织滑模控制模块等,确保与其他控制系统的兼容,实现自组织滑模控制功能;其次,在控制系统操作方面,运用执行系统界面监控系统运行状态,设计信号读写端口,对控制模块进行初始设置和执行信号输入,实现对典型控制过程的任意控制变量的自动控制;最后,在城市污水处理厂中试平台中,运用城市污水处理过程曝气控制和出水总磷控制测试了系统的有效性。结果显示,系统运行良好、操作简便且能够根据实际需要实现预期的控制目标。
赖瑶瑶[8](2019)在《基于混合Petri网的生物系统建模与分析方法研究》文中进行了进一步梳理研究动态生物系统需要对其建立数学模型并进行计算机建模与仿真。连续Petri网是一种系统建模与仿真工具,可以实现常微分方程组的可视化建模与仿真,常用于模拟生物系统。然而由于生物系统的复杂性和数据测量存在误差等原因,生物系统存在不确定性,连续Petri网无法对具有不确定性的生物系统建模。模糊神经网络是一种人工智能技术,能够利用专家知识解决非线性系统建模问题且无需精确的数学模型,但存在依赖专家经验初始化的问题,即模糊规则需要专家预先设计,难以自动获取和调整。为解决上述问题,本文在连续Petri网的基础上引入模糊神经网络,提出一种名为混合Petri网的生物系统建模方法用于实现生物系统的不确定性建模,同时改进了模糊神经网络建模算法,降低其对专家知识的依赖。本文的主要研究内容如下:(1)概述Petri网相关理论和模糊神经网络的研究现状,介绍了相关技术,包括Petri网相关理论、模糊系统、模糊神经网络和常见聚类算法等;(2)为解决生物系统的不确定性建模问题,本文提出一种新的建模方法混合Petri网。混合Petri网是一种基于模糊神经网络和连续Petri网的生物系统建模方法,该方法能够对具有不确定性的生物系统建模仿真,且无需精确的数学模型;(3)针对模糊神经网络初始化依赖专家经验的问题,本文提出一种基于模糊C均值(Fuzzy C-Means clustering,FCM)聚类的递归结构设计方法。该方法以输出样本的波动程度为导向递归划分模糊神经网络输入空间,从而实现模糊规则自动获取与参数初始化,降低了模糊神经网络对专家知识的依赖;(4)为了验证模糊神经网络的逼近能力和混合Petri网的仿真能力,本文给出两个生物系统仿真实验。实验结果证明混合Petri网能够对具有不确定性的生物系统建模仿真,基于FCM聚类的递归结构设计方法能够降低专家依赖,在训练阶段加快了算法收敛速度。
包涛[9](2019)在《无人艇航向控制及其路径跟随研究》文中提出无人水面艇(Unmanned Surface Vessel,USV),简称无人艇,是一种小型无人智能平台,可实现在水面上的自我规划和自主导航。因为其体积小、机动性强、航速快、应用范围广,无人艇已成为了国内外智能化海洋装备领域的研究热点和重点,而无人艇的运动控制则是无人艇研制的核心内容,良好的控制性能是无人艇成功执行各种任务的前提条件,且由于无人艇一般不含有侧推进器,使得其成为一种典型的欠驱动系统。在标准的无人艇六自由度运动模型的基础上,考虑无人艇所受的风浪流环境干扰和非线性阻尼,同时经过合理的简化,建立了风浪流干扰下的非线性欠驱动无人艇一阶非线性响应模型和无人艇三自由度运动模型。在无人艇航向控制方面,基于改进了趋化、游动和迁徙操作的细菌觅食算法和广义动态模糊神经网络并结合无人艇参考模型设计了一种鲁棒自适应模糊神经网络控制器用于无人艇的航向控制,之后使用Lyapunov稳定性理论证明了控制器的稳定性。最后,在考虑风浪流干扰下基于实验室计算机仿真平台验证了提出的无人艇航向控制器的有效性和优越性。针对无人艇的直线路径跟随问题,在经典视线法的基础上,利用反步法改进了经典视线法的期望路径跟随方式,同时以自适应更新圆代替经典视线法原有的固定更新圆,成功解决了经典视线法对初值敏感和忽略了纵向速度控制的问题;最后在考虑风浪流环境干扰的情况下,基于实验室计算机仿真平台验证了无人艇直线路径跟随控制器的有效性。对于无人艇的曲线路径跟随问题,基于改进的视线法设计了曲线路径跟随的期望航向角和虚拟线速度,接着结合反步法和Lyapunov稳定性理论设计了基于动态模糊神经网络的无人艇路径跟随控制器,最后在考虑风浪流环境干扰的情况下,基于实验室计算机仿真平台验证了该路径跟随控制器在曲线路径和曲线加直线路径跟随上的有效性和优越性。基于欠驱动无人艇三自由度运动模型,考虑无人艇模型的非线性阻尼和所受的环境干扰,本文系统深入地研究了无人艇的航向控制、直线路径跟随和曲线路径跟随控制问题,论文研究成果可为无人艇运动控制相关系统的设计开发提供一定的参考。
周站伟[10](2018)在《基于模糊神经网络的肘关节矫形器控制系统》文中认为本文是模糊神经网络在肘关节矫形器中的应用研究,首先研究了基于肘关节矫形器控制模型中的生成机制,其次在研究模糊神经网络算法的基础上,结合实际肘关节矫形器控制背景提出了模糊神经网络算法及遗传算法优化模糊神经网络算法;接着通过MATLAB仿真对比本文所提出的算法具有更好的收敛性。然后,搭建了以单片机为核心处理器的下位机控制系统和以Visual basic为基础构成的上位监控系统。最后通过实验证明本文构建的肘关节矫形器控制系统具有更好的临床控制效果。本文所设计的控制系统具有以下特点:1.控制精度高,通过遗传算法对模糊神经网络算法的优化和梯度下降法对模糊神经网络算法的优化,然后把采集到的数据传送到处理器中,分别利用优化后的模糊神经网络对数据进行处理与输出,经临床试验表明遗传算法优化模糊神经网络的控制精度更高。2.实时性好,通过通信接口电路把上位机和下位机连接起来形成完整的肘关节矫形器控制系统。本文可以通过软件监控系统实时监控肘关节矫形器在运动过程中所受力的数据并把数据保存到数据库。在本文中,针对模糊神经网络肘关节矫形器控制系统的研究,为难以或无法构建精确数学模型的控制对象提供了一种行之有效的方式,进而促使产品实用性经济性、以及科学性的需求得以满足,为智能型肘关节控制系统开发奠定了理论基础。
二、模糊神经网控制器学习方法的改进(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、模糊神经网控制器学习方法的改进(论文提纲范文)
(1)柔性系统的建模与神经网络控制研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 引言 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 柔性机械臂建模与控制技术 |
1.2.2 柔性建筑系统振动控制技术 |
1.2.3 仿生扑翼飞行器建模与控制技术 |
1.3 主要贡献与结构安排 |
2 预备知识 |
2.1 哈密顿(Hamilton)原理 |
2.2 离散化建模方法 |
2.2.1 假设模态法 |
2.2.2 有限刚体元法 |
2.3 拉格朗日(Lagrange)方程方法 |
2.4 神经网络(Neural Network)方法 |
2.5 李雅普诺夫(Lyapunov)直接法 |
2.6 本章小结 |
3 柔性机械臂系统的建模与神经网络控制 |
3.1 单连杆柔性机械臂的模糊神经网络控制 |
3.1.1 基于假设模态法的动力学建模 |
3.1.2 基于模糊逻辑的神经网络控制 |
3.1.3 仿真结果及分析 |
3.1.4 实验结果及分析 |
3.2 双连杆柔性机械臂的输出反馈神经网络控制 |
3.2.1 基于假设模态法的动力学建模 |
3.2.2 基于高增益观测器的神经网络控制 |
3.2.3 仿真结果及分析 |
3.2.4 实验结果及分析 |
3.3 本章小结 |
4 柔性建筑结构系统的建模与强化学习控制 |
4.1 带有偏心负载柔性建筑的输出约束神经网络控制 |
4.1.1 基于假设模态法的动力学建模 |
4.1.2 基于障碍李雅普诺夫函数的神经网络控制 |
4.1.3 仿真结果及分析 |
4.1.4 实验结果及分析 |
4.2 带有主动质量阻尼器柔性建筑的强化学习控制 |
4.2.1 基于假设模态法的动力学建模 |
4.2.2 基于Actor-Critic算法的强化学习控制 |
4.2.3 仿真及实验验证 |
4.3 本章小结 |
5 仿生柔性扑翼飞行机器人的建模与智能控制 |
5.1 带有分布时变扰动的柔性梁系统的神经网络控制 |
5.1.1 基于假设模态法的动力学建模 |
5.1.2 基于扰动观测器的神经网络控制 |
5.1.3 仿真验证 |
5.2 带有执行器故障的柔性扑翼系统的学习控制 |
5.2.1 基于有限刚体元法的动力学建模 |
5.2.2 基于非奇异快速终端滑模方法的智能控制 |
5.2.3 联合仿真验证 |
5.3 本章小结 |
6 结论与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历及在学研究成果 |
学位论文数据集 |
(2)机器人柔顺交互控制策略与运动规划研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 柔顺协作机器人发展现状 |
1.3 机械臂运动控制方法研究现状 |
1.3.1 自适应神经网络控制 |
1.3.2 柔顺交互控制 |
1.4 机器人运动规划研究现状 |
1.4.1 基于动态系统的机器人运动规划 |
1.4.2 面向环境交互的机器人运动规划 |
1.5 本文主要内容 |
第二章 机器人控制及运动规划基础理论 |
2.1 机器人动力学模型及其控制方法 |
2.1.1 机器人动力学模型 |
2.1.2 径向基神经网络自适应控制 |
2.2 宽度神经网络理论 |
2.2.1 随机矢量功能链接神经网络 |
2.2.2 宽度神经网络基本模型 |
2.2.3 增量式宽度神经网络结构 |
2.3 基于动态系统的运动建模分析 |
2.3.1 动态系统理论 |
2.3.2 动态系统稳定性理论 |
2.4 本章小结 |
第三章 基于宽度学习的机器人运动控制与泛化 |
3.1 引言 |
3.2 宽度径向基神经网络结构设计 |
3.3 基于宽度神经网络的机器人运动控制策略 |
3.3.1 预设跟踪性能函数 |
3.3.2 全局稳定的宽度神经网络控制器设计 |
3.3.3 基于积累知识的运动轨迹泛化 |
3.3.4 稳定性分析 |
3.4 仿真验证及结果分析 |
3.5 基于Baxter机器人实验验证及结果分析 |
3.6 本章小结 |
第四章 自适应最优阻抗学习及交互控制策略研究 |
4.1 引言 |
4.2 自适应最优阻抗学习 |
4.2.1 阻抗模型分析 |
4.2.2 基于策略迭代的最优阻抗学习 |
4.3 宽度模糊神经网络设计 |
4.4 面向环境交互的宽度模糊神经网络控制 |
4.4.1 面向机器人与环境交互安全的状态受限控制器设计 |
4.4.2 稳定性分析 |
4.5 仿真验证与结果分析 |
4.5.1 跟踪性能仿真实验 |
4.5.2 鲁棒性能验证 |
4.5.3 最优阻抗学习算法验证 |
4.6 机器人-环境交互实验与结果分析 |
4.7 本章小结 |
第五章 机器人柔顺交互运动规划研究 |
5.1 引言 |
5.2 基于动态系统的自适应柔顺交互策略 |
5.3 仿真实验与结果分析 |
5.3.1 不同边界参数实验验证 |
5.3.2 不同动态系统下的交互跟踪对比实验 |
5.4 机器人-环境交互实验 |
5.5 本章小结 |
总结与展望 |
1.结论 |
2.创新点 |
3.展望 |
参考文献 |
攻读博士期间取得的研究成果 |
致谢 |
附件 |
(3)网络化多轴运动系统的轮廓跟踪与同步控制研究(论文提纲范文)
摘要 |
ABSTRACT |
符号说明 |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 以太网技术研究现状 |
1.3 网络化运动系统的研究现状 |
1.3.1 多轴同步控制研究现状 |
1.3.2 网络环境下的多轴同步控制 |
1.4 课题来源与论文研究内容 |
1.4.1 课题来源 |
1.4.2 论文研究内容 |
1.5 本章小结 |
第二章 基于通用以太网的多轴运动控制实验平台设计 |
2.1 引言 |
2.2 实验平台需求分析 |
2.3 实验平台方案设计 |
2.4 网络化多轴运动控制系统实验平台实现 |
2.4.1 实验平台构建 |
2.4.2 时延测量 |
2.5 系统建模 |
2.5.1 交流伺服系统控制方案 |
2.5.2 本地系统模型辨识 |
2.5.3 网络环境下的实验平台系统建模 |
2.6 本章小结 |
第三章 基于线性自抗扰控制器与模糊PID的轮廓跟踪控制 |
3.1 引言 |
3.2 轮廓误差估计 |
3.3 基于LADRC的单轴轨迹跟踪控制器设计 |
3.4 基于模糊PID的轮廓误差补偿控制器设计 |
3.5 实验结果与分析 |
3.6 本章小结 |
第四章 基于广义扩张状态观测器与模型预测控制器的轮廓跟踪控制 |
4.1 引言 |
4.2 基于MPC与 GESO的单轴轨迹跟踪控制器设计 |
4.2.1 GESO设计 |
4.2.2 MPC设计 |
4.2.3 稳定性和抗干扰性能分析 |
4.3 基于PID的轮廓误差补偿控制器设计 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 基于线性自抗扰控制器的位置同步控制 |
5.1 引言 |
5.2 基于LADRC的位置同步控制器设计 |
5.2.1 位置同步误差模型 |
5.2.2 基于LADRC的位置同步控制器 |
5.2.3 闭环系统稳定性分析 |
5.3 实验验证与分析 |
5.3.1 无关联同步控制 |
5.3.2 关联运动同步控制 |
5.4 本章小结 |
第六章 基于广义扩张状态观测器的位置同步控制 |
6.1 引言 |
6.2 系统模型 |
6.3 基于GESO的位置同步控制器设计 |
6.3.1 GESO的设计 |
6.3.2 基于GESO的输出反馈同步控制器 |
6.3.3 稳定性分析 |
6.4 实验结果与分析 |
6.5 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读博士学位期间录用和发表的学术论文 |
3 参加的科研项目 |
4 专利与软着 |
(4)基于模糊神经网络的无人船航向控制研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 研究现状 |
1.2.1 模糊神经网络的研究现状 |
1.2.2 无人船自动舵的研究现状 |
1.3 本文的主要工作及章节安排 |
2 无人船系统设计方案 |
2.1 无人船运动数学模型 |
2.1.1 坐标系 |
2.1.2 小型欠驱动无人船的船舶模型 |
2.2 无人船硬件实现 |
2.2.1 九轴传感器 |
2.2.2 GPS模块 |
2.2.3 UWB模块 |
2.2.4 Zigbee模块 |
2.3 通信协议 |
2.4 无人船系统搭建 |
2.5 本章小结 |
3 基于模糊神经网络的无人船航向控制器设计 |
3.1 常规PID控制器 |
3.2 模糊神经网络结构 |
3.3 基于FR法的Mamdani型模糊神经网络结构 |
3.4 基于模糊神经网络的无人船航向控制器设计 |
3.5 本章小结 |
4 仿真及实验分析 |
4.1 MATLAB仿真及其结果 |
4.2 无人船实验实例 |
4.2.1 实验环境 |
4.2.2 实船上的运行效果 |
4.3 本章小结 |
5 结论与展望 |
5.1 本文的主要研究结果 |
5.2 工作展望 |
参考文献 |
致谢 |
作者简历及攻读硕士学位期间的科研成果 |
(5)改进的模糊神经网络PID算法的研究与应用(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状 |
1.2.1 模糊神经网络研究现状 |
1.2.2 智能寻优算法的研究现状 |
1.2.3 闪蒸罐控制的研究现状 |
1.3 课题的研究内容与方法 |
第二章 模糊神经网络算法相关理论 |
2.1 模糊理论基础 |
2.1.1 模糊控制基本概念 |
2.1.2 模糊控制特点 |
2.1.3 模糊控制器结构及工作原理 |
2.2 神经网络理论基础 |
2.2.1 神经网络概述 |
2.2.2 神经网络学习规则 |
2.3 模糊神经网络概述 |
2.3.1 模糊神经网络简介 |
2.3.2 模糊神经网络结合方式 |
2.3.3 模糊神经网络结构及算法 |
2.4 本章小结 |
第三章 群优化算法和模糊神经网络优化的研究 |
3.1 改进粒子群算法 |
3.1.1 粒子群算法 |
3.1.2 改进粒子群算法 |
3.1.3 改进粒子群算法性能测试 |
3.2 天牛须蜂群算法 |
3.2.1 人工蜂群算法 |
3.2.2 天牛须蜂群算法 |
3.2.3 天牛须蜂群算法性能测试 |
3.3 模糊神经网络的优化 |
3.3.1 改进粒子群算法对模糊神经网络的优化 |
3.3.2 天牛须蜂群算法对模糊神经网络的优化 |
3.4 本章小结 |
第四章 改进模糊神经网络PID控制器的设计 |
4.1 PID控制器 |
4.1.1 PID控制器原理 |
4.1.2 PID控制器参数与性能关系 |
4.1.3 PID控制器的局限性 |
4.2 模糊神经网络PID控制器设计 |
4.3 改进粒子群优化的模糊神经网络PID控制器设计 |
4.4 天牛须蜂群优化的模糊神经网络PID控制器设计 |
4.5 本章小结 |
第五章 改进模糊神经网络PID算法的仿真研究及应用 |
5.1 闪蒸罐概述 |
5.1.1 闪蒸罐压力控制原理 |
5.1.2 闪蒸罐压力控制系统建模 |
5.2 仿真实验 |
5.2.1 模糊神经网络PID控制器仿真结果 |
5.2.2 改进粒子群优化的模糊神经网络PID控制器仿真结果 |
5.2.3 天牛须蜂群优化的模糊神经网络PID控制器仿真结果 |
5.2.4 仿真结果对比分析 |
5.3 闪蒸罐压力控制实验 |
5.3.1 实验系统硬件连接 |
5.3.2 实验系统软件设计 |
5.3.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 研究成果和总结 |
6.2 工作展望 |
参考文献 |
攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
(6)基于模糊神经网络的列车防冒进系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 论文研究背景 |
1.2 列车防冒进技术研究现状 |
1.2.1 理论研究现状 |
1.2.2 列车控制系统发展现状 |
1.3 论文框架 |
1.4 本章小结 |
第二章 系统构成及原理 |
2.1 防冒进系统的构成及功能 |
2.2 速度防护原理 |
2.2.1 信号系统的闭塞方式 |
2.2.2 防冒进系统的控车模式 |
2.3 本章小结 |
第三章 列车防冒进曲线的建立 |
3.1 列车动力学模型 |
3.1.1 列车运行受力分析 |
3.1.2 列车合力模型 |
3.1.3 列车运动方程计算模型 |
3.2 防冒进曲线的计算依据 |
3.3 防冒进曲线的计算 |
3.3.1 目标距离及目标速度的确定 |
3.3.2 防冒进曲线的计算模型 |
3.4 本章小结 |
第四章 列车防冒进曲线的优化 |
4.1 粒子群及其优化算法 |
4.1.1 传统粒子群算法 |
4.1.2 改进型粒子群算法 |
4.2 优化模型的建立 |
4.3 评价性指标 |
4.3.1 停车精确度指标 |
4.3.2 行车平稳度指标 |
4.3.3 节能性指标 |
4.3.4 限制性因素 |
4.4 优化曲线的算法步骤 |
4.5 本章小结 |
第五章 基于模糊神经网络的列车制动模型 |
5.1 基于模糊系统的列车制动建模理论 |
5.1.1 基于模糊系统的列车制动模型结构 |
5.1.2 基于模糊系统的列车制动模型类型 |
5.1.3 基于模糊系统的列车制动模型的线性逼近能力 |
5.2 基于模糊神经网络的列车制动建模理论 |
5.2.1 基于模糊神经网络的列车制动模型结构 |
5.2.2 基于模糊神经网络的列车制动模型的规则分割 |
5.2.3 基于模糊神经网络的列车制动模型的学习算法 |
5.3 基于模糊神经网络的列车制动模型计算步骤 |
5.4 本章小结 |
第六章 列车防冒进控制器的设计 |
6.1 传统的防冒进控制器原理 |
6.1.1 模拟PID的原理 |
6.1.2 位置式PID的原理 |
6.1.3 增量式PID的原理 |
6.2 基于PSO-BP-PID列车防冒进控制器设计 |
6.2.1 BP神经网络 |
6.2.2 PSO结合BP神经网络的策略 |
6.2.3 PSO-BP-PID算法 |
6.3 防冒进系统的软硬件架构 |
6.3.1 系统整体设计 |
6.3.2 硬件整体设计 |
6.3.3 软件流程设计 |
6.4 本章小结 |
第七章 仿真与实验 |
7.1 模糊神经网络训练 |
7.2 优化曲线训练 |
7.3 整体仿真结果 |
7.4 本章小结 |
总结与展望 |
参考文献 |
致谢 |
附录A (攻读硕士学位期间完成的论文及获得的专利) |
附录B (攻读硕士学位期间获得的奖励) |
附录C (攻读硕士学位期间参与的项目) |
(7)城市污水处理过程自组织滑模控制研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究及研究意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.1.3 课题来源 |
1.2 城市污水处理过程控制研究现状 |
1.2.1 基于机理模型的城市污水处理过程控制研究现状 |
1.2.2 基于数据的城市污水处理控制研究现状 |
1.3 论文主要工作 |
1.4 论文内容安排 |
第2章 城市污水处理过程控制要素分析 |
2.1 引言 |
2.2 城市污水处理过程概述 |
2.2.1 城市污水处理过程机理分析 |
2.2.2 城市污水处理过程影响因素分析 |
2.3 城市污水处理过程控制架构 |
2.3.1 城市污水处理过程控制关键组成 |
2.3.2 城市污水处理过程控制主要流程 |
2.4 城市污水处理过程变量检测 |
2.4.1 城市污水处理过程关键水质变量检测 |
2.4.2 城市污水处理过程状态识别 |
2.5 城市污水处理过程典型过程控制 |
2.5.1 城市污水处理典型过程分析 |
2.5.2 城市污水处理过程控制目标分析 |
2.5.3 城市污水处理过程控制器设计原则 |
2.5.4 城市污水处理过程控制关键点分析 |
2.6 本章小结 |
第3章 城市污水处理过程关键水质参数检测 |
3.1 引言 |
3.2 城市污水处理过程关键水质参数特征变量分析 |
3.2.1 城市污水处理过程关键水质参数相关变量 |
3.2.2 城市污水处理过程关键水质参数特征变量选取 |
3.3 自组织模糊神经网络 |
3.3.1 模糊神经网络结构 |
3.3.2 结构自组织优化算法 |
3.4 基于自组织模糊神经网络的关键水质参数特征模型设计 |
3.4.1 关键水质参数特征模型结构 |
3.4.2 关键水质参数检测主要流程 |
3.4.3 模型特性分析 |
3.5 实验分析 |
3.5.1 出水NH4-N浓度在线检测 |
3.5.2 出水TP浓度在线检测 |
3.6 本章小结 |
第4章 城市污水处理过程鲁棒滑模控制器设计 |
4.1 引言 |
4.2 城市污水处理过程干扰分析 |
4.2.1 城市污水处理过程动态模型 |
4.2.2 外部扰动特征分析 |
4.2.3 内部扰动特征分析 |
4.3 外部鲁棒控制器设计 |
4.3.1 滑模控制自适应趋近率 |
4.3.2 滑模控制自适应控制增益 |
4.3.3 外部鲁棒控制率 |
4.3.4 外部鲁棒控制器特性分析 |
4.4 内部鲁棒控制器设计 |
4.4.1 基于模糊神经网络的内部扰动辨识器 |
4.4.2 内部鲁棒控制率 |
4.4.3 内部鲁棒控制器特性分析 |
4.5 实验分析 |
4.5.1 典型非线性控制系统仿真实验 |
4.5.2 典型城市污水处理过程控制实验 |
4.5.3 实验结果分析 |
4.6 本章小结 |
第5章 城市污水处理过程单变量自组织滑模控制器设计 |
5.1 引言 |
5.2 城市污水处理过程非线性特征分析 |
5.2.1 城市污水处理过程非线性特性描述 |
5.2.2 城市污水处理过程典型控制变量描述 |
5.3 自组织滑模控制器设计 |
5.3.1 自组织滑模控制器结构 |
5.3.2 控制器结构自组织算法 |
5.3.3 控制器参数自适应率 |
5.3.4 自组织滑模控制算法 |
5.4 自组织滑模控制器特性分析 |
5.5 实验结果与分析 |
5.5.1 典型非线性控制系统仿真实验 |
5.5.2 典型城市污水处理过程控制验证实验 |
5.5.3 结果分析 |
5.6 本章小结 |
第6章 城市污水处理过程多变量自组织滑模控制器设计 |
6.1 引言 |
6.2 城市污水处理过程运行过程分析 |
6.2.1 城市污水处理全流程分析 |
6.2.2 城市污水处理典型过程分析 |
6.3 城市污水处理过程多变量自组织滑模控制器 |
6.3.1 多变量控制原理 |
6.3.2 多变量控制器设计 |
6.3.3 多变量控制器性能分析 |
6.4 实验验证 |
6.4.1 实验环境设置 |
6.4.2 恒定设定值的跟踪控制 |
6.4.3 动态设定值的跟踪控制 |
6.4.4 实际城市污水处理厂过程控制验证实例 |
6.5 本章小结 |
第7章 城市污水处理过程自组织滑模控制系统设计 |
7.1 引言 |
7.2 城市污水处理过程自组织滑模控制系统架构 |
7.2.1 控制系统需求分析 |
7.2.2 控制系统总体设计 |
7.2.3 控制系统功能模块开发 |
7.3 城市污水处理过程自组织滑模控制系统 |
7.3.1 控制系统运行环境分析 |
7.3.2 控制设备的选择 |
7.3.3 控制系统界面设计与管理 |
7.3.4 控制系统实施操作 |
7.4 城市污水处理过程自组织滑模控制系统应用验证 |
7.5 本章小结 |
结论与展望 |
参考文献 |
攻读博士学位期间的成果 |
致谢 |
(8)基于混合Petri网的生物系统建模与分析方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 Petri网相关理论 |
1.2.2 模糊神经网络 |
1.3 主要研究工作 |
1.4 论文结构安排 |
第二章 相关技术介绍 |
2.1 Petri网相关理论 |
2.1.1 Petri网 |
2.1.2 连续Petri网 |
2.2 模糊系统 |
2.2.1 模糊数学基础 |
2.2.2 基本架构 |
2.3 模糊神经网络 |
2.3.1 人工神经网络 |
2.3.2 Mamdani模糊神经网络 |
2.3.3 T-S模糊神经网络 |
2.4 常见聚类算法 |
2.4.1 K均值聚类 |
2.4.2 高斯混合聚类 |
2.4.3 减法聚类 |
2.4.4 模糊C均值聚类 |
2.5 本章小结 |
第三章 混合Petri网建模与仿真方法 |
3.1 混合Petri网相关定义 |
3.2 混合Petri网仿真算法 |
3.3 本章小结 |
第四章 模糊神经网络建模算法 |
4.1 基于FCM递归聚类的结构设计方法 |
4.2 参数估计 |
4.2.1 Mamdani模糊神经网络 |
4.2.2 T-S模糊神经网络 |
4.3 本章小结 |
第五章 实验与结果分析 |
5.1 实验概要 |
5.2 实验工具介绍 |
5.2.1 FCPN |
5.2.2 MATLAB |
5.3 病毒感染模型仿真实验 |
5.3.1 混合Petri网建模 |
5.3.2 基于FCM递归聚类的结构辨析结果 |
5.3.3 模糊神经网络参数估计结果 |
5.3.4 混合Petri网仿真结果 |
5.4 热休克反应模型仿真实验 |
5.4.1 混合Petri网建模 |
5.4.2 基于FCM递归聚类的结构辨析结果 |
5.4.3 模糊神经网络参数估计结果 |
5.4.4 混合Petri网仿真结果 |
5.5 实验结果分析与对比 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 工作展望 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
附件 |
(9)无人艇航向控制及其路径跟随研究(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景和意义 |
1.2 无人艇国内外研究概况 |
1.2.1 无人艇国外研究现状 |
1.2.2 无人艇国内研究现状 |
1.3 无人艇航向控制和路径跟随研究现状 |
1.3.1 无人艇航向控制技术国内外研究现状 |
1.3.2 无人艇路径跟随技术国内外研究现状 |
1.4 现有研究的不足 |
1.5 论文主要内容 |
第2章 无人艇运动数学建模 |
2.1 无人艇运动参考坐标系描述 |
2.2 无人艇空间六自由度运动模型 |
2.2.1 无人艇空间运动学方程 |
2.2.2 无人艇空间动力学方程 |
2.2.3 无人艇空间六自由度运动模型 |
2.3 无人艇水平面三自由度运动模型 |
2.3.1 简化的无人艇运动模型 |
2.3.2 考虑环境干扰的无人艇运动模型 |
2.3.3 考虑干扰和非线性阻尼的无人艇运动模型 |
2.4 无人艇响应型数学模型 |
2.4.1 线性响应模型 |
2.4.2 非线性响应模型 |
2.5 本章小结 |
第3章 无人艇航向控制 |
3.1 细菌觅食算法及其改进 |
3.1.1 细菌觅食算法基本原理 |
3.1.2 细菌觅食算法的改进 |
3.1.3 改进细菌觅食算法适应度值函数设计 |
3.2 广义动态模糊神经网络 |
3.2.1 广义动态模糊神经网络基本原理 |
3.2.2 广义动态模糊神经网络学习算法 |
3.3 鲁棒自适应模糊神经网络航向控制 |
3.3.1 控制问题描述 |
3.3.2 控制器设计 |
3.3.3 稳定性分析 |
3.4 仿真实验与结果分析 |
3.5 本章小结 |
第4章 无人艇直线路径跟随控制 |
4.1 控制问题描述 |
4.2 控制器设计 |
4.2.1 经典视线法 |
4.2.2 改进的视线法 |
4.3 仿真实验与结果分析 |
4.4 本章小结 |
第5章 无人艇曲线路径跟随控制 |
5.1 动态模糊神经网络 |
5.1.1 动态模糊神经网络基本原理 |
5.1.2 动态模糊神经网络学习算法 |
5.2 基于动态模糊神经网络的改进视线法曲线路径跟随控制器设计 |
5.2.1 控制问题描述 |
5.2.2 控制器设计 |
5.2.3 稳定性分析 |
5.3 仿真实验与结果分析 |
5.4 本章小结 |
第6章 全文总结与展望 |
6.1 全文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
(10)基于模糊神经网络的肘关节矫形器控制系统(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 肘关节矫形器技术发展现状 |
1.2.2 模糊控制的发展现状 |
1.2.3 神经网络的发展现状 |
1.2.4 模糊神经网络的发展现状 |
1.3 研究内容与论文结构 |
第2章 模糊神经网络算法研究 |
2.1 理论基础 |
2.1.1 模糊控制原理 |
2.1.2 神经网络原理概述 |
2.1.3 模糊神经网络 |
2.2 模糊神经网络算法设计 |
2.2.1 控制方案的选择 |
2.2.2 信号的预处理 |
2.2.3 模糊神经网络的模型构造 |
2.2.4 模糊神经网络学习算法 |
2.2.5 MATLAB仿真分析 |
2.3 遗传算法优化模糊神经网络 |
2.3.1 遗传算法 |
2.3.2 遗传算法流程 |
2.3.3 遗传算法的优点 |
2.3.4 遗传算法优化 |
2.3.5 MATLAB仿真分析 |
2.4 本章小结 |
第3章 肘关节矫形控制系统设计 |
3.1 硬件系统的总体方案 |
3.2 矫形器控制系统的硬件设计电路 |
3.2.1 主控芯片STC90C52RC单片机 |
3.2.2 应变片测量电路 |
3.2.3 信号处理电路设计 |
3.2.4 步进电机驱动电路设计 |
3.2.5 通信电路的设计 |
3.2.6 A/D转化电路设计 |
3.3 矫形器控制系统软件设计 |
3.3.1 串口通信程序设计 |
3.4 本章小结 |
第4章 肘关节矫形器控制系统软件实现 |
4.1 软件监控系统系统的总体方案 |
4.2 医生系统 |
4.2.1 医生登录模块 |
4.2.2 统计模块 |
4.2.3 医生系统其它模块设计 |
4.3 患者系统 |
4.3.1 患者登录系统设计 |
4.3.2 实时数据采集模块 |
4.3.3 患者评价系统 |
4.4 其它模块的设计 |
4.5 本章小结 |
第5章 肘关节矫形器控制系统应用 |
5.1 肘关节矫形器控制系统测试 |
5.1.1 利用MATLAB对矫形器运动过程力的变化 |
5.1.2 测试上位机与下位机之间的通信通信 |
5.1.3 步进电机运行状态 |
5.1.4 肘关节矫形器软件系统测试 |
5.2 本章总结 |
总结与展望 |
总结 |
展望 |
参考文献 |
致谢 |
四、模糊神经网控制器学习方法的改进(论文参考文献)
- [1]柔性系统的建模与神经网络控制研究[D]. 高赫佳. 北京科技大学, 2021
- [2]机器人柔顺交互控制策略与运动规划研究[D]. 黄浩晖. 华南理工大学, 2020(05)
- [3]网络化多轴运动系统的轮廓跟踪与同步控制研究[D]. 王瑶为. 浙江工业大学, 2020(02)
- [4]基于模糊神经网络的无人船航向控制研究[D]. 薛银库. 大连海事大学, 2020(01)
- [5]改进的模糊神经网络PID算法的研究与应用[D]. 程宗政. 上海工程技术大学, 2020(04)
- [6]基于模糊神经网络的列车防冒进系统研究[D]. 姜俊彤. 长沙理工大学, 2020(07)
- [7]城市污水处理过程自组织滑模控制研究[D]. 伍小龙. 北京工业大学, 2019
- [8]基于混合Petri网的生物系统建模与分析方法研究[D]. 赖瑶瑶. 华南理工大学, 2019(02)
- [9]无人艇航向控制及其路径跟随研究[D]. 包涛. 武汉理工大学, 2019(07)
- [10]基于模糊神经网络的肘关节矫形器控制系统[D]. 周站伟. 兰州理工大学, 2018(09)