学位论文 > 优秀研究生学位论文题录展示

基于小脑模型的智能控制方法及其在重力补偿系统的应用

作　者: 林旭梅
导　师: 梅涛
学　校: 中国科学技术大学
专　业: 精密仪器及机械
关键词: 重力补偿系统小脑模型神经网络自适应遗传算法鲁棒控制空间机器人
分类号: TP273.5
类　型: 博士论文
年　份: 2006年
下　载: 472次
引　用: 7次
阅　读: 论文下载

内容摘要

小脑模型(CMAC)是一种收敛速度快的神经网络，非常适用于实时非线性控制系统。目前如何确定其合适学习率、量化精度、采样精度等参数仍无一个好的方法，对泛化特性缺乏理论分析，如何确定模糊小脑模型(FCMAC)隶属度函数中心点仍处于研究中。在小脑模型实际控制应用中，其鲁棒性仍需加强。针对以上情况，本论文主要从小脑模型学习率及量化精度的优化、泛化特性分析、模糊小脑模型隶属度函数中心点的确定以及鲁棒模糊小脑模型神经网络几个方面研究了CMAC神经网络理论，并结合863项目对CMAC神经网络在“地面重力补偿实验系统”的应用进行了研究。本论文非线性研究对象是重力补偿实验系统，这是通过吊丝保持恒张力和吊丝半主动控制的两种方法来创造微重力环境的实验。在两套实验系统中，由于摩擦力存在以及其他不确定因素，难以建立准确的数学模型。使用传统控制方法难以得到满意的控制效果，而小脑模型神经网络具有逼近非线性函数的能力，在非线性控制对象难以准确建模的情况下能得到较好控制效果。本论文通过实验来验证改进的CMAC理论正确性，同时通过改进的CMAC理论来提高实验系统的性能。本文研究内容包括： 1、针对地面重力补偿系统，把电机和整个机械系统结合起来，研究了它的动力学关系，建立了动力学方程，并由此建立整个实验系统数学模型。 2、本文提出利用自适应遗传算法(GA)来确定CMAC学习率，基于CMAC的控制系统如果没有好的学习率，那么系统就会不稳定或者收敛速度很慢。通过自适应遗传算法(GA)与其他传统方法相比较，表明利用自适应遗传算法(GA)不仅使系统稳定，而且收敛速度更快，并进行了仿真验证。 3、CMAC算法中，研究泛化性能是其中一项主要内容，泛化性能好，则网络学习精度高。本论文对影响泛化性能的量化精度、采样精度及其之间关系进行了理论分析，通过仿真验证了量化精度与采样精度之间关系，提出一种利用基于多

全文目录

摘要  4-6
Abstract  6-11
第一章绪论  11-32
  1.1 选题的目的及意义  11-12
  1.2 小脑模型技术的发展及现状  12-18
    1.2.1 非线性系统控制理论的发展历史  12-13
    1.2.2 小脑模型理论的现状和发展  13-18
      1.2.2.1 小脑模型结构发展和现状  13-15
      1.2.2.2 CMAC算法学习的研究  15-17
      1.2.2.3 CMAC算法在控制方面的应用现状  17-18
  1.3 重力补偿系统的研究进展  18-22
  1.4 主要研究工作  22-23
  1.5 论文的内容安排  23-25
  参考文献  25-32
第二章地面重力补偿实验系统的数学模型分析  32-56
  2.1 引言  32-33
  2.2 地面吊丝恒张力重力补偿实验系统  33-41
    2.2.1 地面吊丝重力补偿实验系统的组成  33-34
    2.2.2 系统各部分的选择依据与分析  34-37
    2.2.3 精度分析和误差的分配  37-41
  2.3 静止物体分析  41-43
  2.4 运动目标物体分析  43-46
  2.5 吊丝恒张力计算机仿真  46-48
  2.6 吊丝半主动重力补偿系统  48-53
    2.6.1 系统介绍  48-49
    2.6.2 系统力学分析  49-53
  2.7 本章小节  53-55
  参考文献  55-56
第三章 CMAC的学习率的优化及其泛化特性分析  56-76
  3.1 引言  56-57
  3.2 CMAC算法  57-58
  3.3 自适应伪并行遗传算法  58-63
    3.3.1 普通遗传算法  58-59
    3.3.2 自适应伪并行遗传算法  59-60
    3.3.3 基于自适应GA的CMAC仿真验证  60-61
    3.3.4 增量方法  61
    3.3.5 混沌法寻优  61
    3.3.6 基于自适应GA学习率寻优的方法  61-63
  3.4 CMAC算法中泛化特性分析  63-70
    3.4.1 问题提出  63-64
    3.4.2 CMAC的泛化特性概念  64-65
    3.4.3 CMAC的泛化能力研究  65-67
    3.4.4 采样精度的确定  67
    3.4.5 采样精度与量化精度相等  67
    3.4.6 采样精度大于量化精度  67-68
    3.4.7 采样精度小于量化精度  68
    3.4.8 仿真实验  68-70
  3.5 多目标自适应GA的泛化常数的确定  70-73
  3.6 本章小节  73-74
  参考文献  74-76
第四章鲁棒FCMAC神经网络及其稳定性  76-96
  4.1 引言  76
  4.2 模糊CMAC神经网络  76-86
    4.2.1 基于RPEM-DLR的模糊CMAC  78-81
    4.2.2 实验仿真  81-84
    4.2.3 基于粗糙集的模糊规则约简  84-86
  4.3 鲁棒模糊CMAC神经网络  86-91
    4.3.1 鲁棒控制的概念  86-88
    4.3.2 鲁棒FCMAC控制  88-89
    4.3.3 鲁棒FCMAC控制的稳定性证明  89-90
    4.3.4 鲁棒FCMAC控制的仿真  90-91
  4.4 本章小节  91-92
  参考文献  92-96
第五章鲁棒FCMAC控制器在重力补偿系统中的应用  96-127
  5.1 引言  96
  5.2 恒张力重力补偿系统的建立  96-109
    5.2.1 恒张力实验系统介绍  96-98
    5.2.2 干扰的问题和抑制  98-100
    5.2.3 干扰源的确定  100-105
    5.2.4 硬件设计  105-107
    5.2.5 软件设计  107-109
  5.3 控制器设计  109-112
  5.4 恒张力控制实验  112-116
    5.4.1 初始状态的确定  113
    5.4.2 手爪抓取实验  113-116
  5.5 半主动重力补偿实验  116-125
    5.5.1 实验系统介绍  116-117
    5.5.2 系统软件设计  117
    5.5.3 直流电机控制策略  117-120
    5.5.4 实验结果  120-125
  5.6 本章小节  125-126
  参考文献  126-127
第六章结论与展望  127-130
  6.1 研究工作总结  127-128
  6.2 本文的创新点  128-129
  6.3 未来工作的展望  129-130
攻读博士学位期间发表的论文及参加的科研项目  130-131
  一、发表或已录用论文  130
  二、参加的科研项目  130-131
致谢  131

基于小脑模型的智能控制方法及其在重力补偿系统的应用

内容摘要

全文目录

相似论文