论文部分内容阅读
计算机和科学技术的快速发展,促使人工智能技术与自动控制理论紧密结合,形成控制领域的研究热点—智能控制理论。非线性控制系统通常存在以下问题:系统模型与实际间的误差、未知或时变的系统结构和参数、随机且不可测量的干扰等问题,故迫切希望设计相应的控制器实现对非线性系统的智能控制。因此,对非线性系统自适应控制的研究具有重要的理论意义和实际工程应用价值。小脑模型(CMAC)神经网络不仅具有非线性逼近能力、自适应和泛化能力以及联想记忆能力,而且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,特别是机器人控制系统。因此,本文对CMAC神经网络及其在数据分类方面进行相应的研究,重点研究基于小脑模型的非线性系统的鲁棒自适应控制。本文的主要研究工作概述如下:1.针对传统方法在乳腺肿瘤的识别中存在较高的误诊和漏诊,提出一种自我验证的小脑模型关节控制器(SVCMAC)神经网络,使诊断结果具有较高的预测精度。在融合CMAC网络学习速度快,泛化能力强和回响速度快特点的基础上,再结合自校验单元,使SVCMAC神经网络具有更好的学习和预测功能。2.提出了一种基于PI的CMAC的自适应控制(PICMAC)系统。PICMAC系统由神经控制器和鲁棒补偿控制器组成。神经网络控制器使用一个PI型CMAC在线模拟一个理想控制器来加速跟踪误差的收敛,鲁棒补偿控制器用来消除PI型CMAC引入的近似误差。推导了在Lyapunov意义上的闭环系统一致稳定性,在SISO非线性系统-Gencesio混沌系统上证明其控制效果。3.提出了一种鲁棒自适应TSK模糊小脑模型关节控制器(RATFC),将其应用于机械臂控制,并实现高精度位置和速度跟踪控制。采用TSK模糊小脑模型关节控制器(TFCMAC)逼近理想控制器,并根据Lyapunov函数导出的自适应规则对参数进行调节;为了抑制近似误差的影响,设计了鲁棒补偿控制器。4.提出了一种模糊大脑情感小脑模型关节控制器(FBECMAC),将其应用于MIMO非线性系统--无人机(UAV)控制,将其状态控制到理想的目标值,尤其在UAV的轨迹追踪问题上更是显著。采用模糊推理系统、大脑情感学习和CMAC相组合,使控制系统具有模糊系统的优点和大脑情感快速学习的优点,同时搭配鲁棒补偿控制器,以达到抑制近似误差和提升系统稳定性。