基于小腦模型的智能控制方法及其在重力補償系統(tǒng)的應(yīng)用.pdf

1、小腦模型(CMAC)是一種收斂速度快的神經(jīng)網(wǎng)絡(luò),非常適用于實時非線性控制系統(tǒng)。目前如何確定其合適學(xué)習(xí)率、量化精度、采樣精度等參數(shù)仍無一個好的方法,對泛化特性缺乏理論分析,如何確定模糊小腦模型(FCMAC)隸屬度函數(shù)中心點仍處于研究中。在小腦模型實際控制應(yīng)用中,其魯棒性仍需加強。針對以上情況,本論文主要從小腦模型學(xué)習(xí)率及量化精度的優(yōu)化、泛化特性分析、模糊小腦模型隸屬度函數(shù)中心點的確定以及魯棒模糊小腦模型神經(jīng)網(wǎng)絡(luò)幾個方面研究了CMAC神經(jīng)網(wǎng)

2、絡(luò)理論,并結(jié)合863項目對CMAC神經(jīng)網(wǎng)絡(luò)在“地面重力補償實驗系統(tǒng)”的應(yīng)用進行了研究。
　　本論文非線性研究對象是重力補償實驗系統(tǒng),這是通過吊絲保持恒張力和吊絲半主動控制的兩種方法來創(chuàng)造微重力環(huán)境的實驗。在兩套實驗系統(tǒng)中,由于摩擦力存在以及其他不確定因素,難以建立準確的數(shù)學(xué)模型。使用傳統(tǒng)控制方法難以得到滿意的控制效果,而小腦模型神經(jīng)網(wǎng)絡(luò)具有逼近非線性函數(shù)的能力,在非線性控制對象難以準確建模的情況下能得到較好控制效果。本論文通過實驗

3、來驗證改進的CMAC理論正確性,同時通過改進的CMAC理論來提高實驗系統(tǒng)的性能。
　　本文研究內(nèi)容包括:
　　1、針對地面重力補償系統(tǒng),把電機和整個機械系統(tǒng)結(jié)合起來,研究了它的動力學(xué)關(guān)系,建立了動力學(xué)方程,并由此建立整個實驗系統(tǒng)數(shù)學(xué)模型。
　　2、本文提出利用自適應(yīng)遺傳算法(GA)來確定CMAC學(xué)習(xí)率,基于CMAC的控制系統(tǒng)如果沒有好的學(xué)習(xí)率,那么系統(tǒng)就會不穩(wěn)定或者收斂速度很慢。通過自適應(yīng)遺傳算法(GA)與其他傳統(tǒng)方法

4、相比較,表明利用自適應(yīng)遺傳算法(GA)不僅使系統(tǒng)穩(wěn)定,而且收斂速度更快,并進行了仿真驗證。
　　3、CMAC算法中,研究泛化性能是其中一項主要內(nèi)容,泛化性能好,則網(wǎng)絡(luò)學(xué)習(xí)精度高。本論文對影響泛化性能的量化精度、采樣精度及其之間關(guān)系進行了理論分析,通過仿真驗證了量化精度與采樣精度之間關(guān)系,提出一種利用基于多目標的自適應(yīng)遺傳算法來確定泛化常數(shù)、量化精度的方法，并通過實例驗證了方法正確性。
　　4、在CMAC的基礎(chǔ)上，對模糊CMA

5、C神經(jīng)網(wǎng)絡(luò)進行了一些研究，結(jié)合了競爭懲罰期望最大化算法(Rival Penalized Expectation-Maximization，簡稱為RPEM)進行快速聚類確定隸屬度函數(shù)中心點并把模糊CMAC和魯棒控制結(jié)合起來，應(yīng)用于重力補償系統(tǒng)。仿真結(jié)果表明，此控制方法能有效地抑制擾動。
　　5、本文針對魯棒FCMAC神經(jīng)網(wǎng)絡(luò)，設(shè)計了魯棒FCMAC控制器的結(jié)構(gòu)，并對FCMAC控制器的學(xué)習(xí)率、泛化參數(shù)進行了優(yōu)化。利用Lyapunov理論

6、證明了該算法的穩(wěn)定性。
　　6、針對地面重力補償系統(tǒng)，研究了在線魯棒FCMAC控制算法的控制性能，并進行了實驗研究。
　　本論文的主要創(chuàng)新之處是:提出利用自適應(yīng)遺傳算法(GA)來確定CMAC學(xué)習(xí)率;從理論上分析了影響泛化特性的量化精度和采樣精度關(guān)系，同時提出利用自適應(yīng)遺傳算法(GA)進行多目標參數(shù)優(yōu)化泛化常數(shù)、量化精度;使用RPEM確定模糊小腦模型隸屬度函數(shù)的中心點;成功地把魯棒FCMAC控制算法應(yīng)用于重力補償系統(tǒng)中，有效地