针对四旋翼无人飞行器的强耦合、欠驱动、非线性强以及参数不确定等因素, 将小脑模型(CMAC)神经网络算法引入系统, 并与传统PD控制算法结合, 以改善系统的动静态性能。以传统PD控制实现对高度的反馈控制, 以CMAC神经网络进行前馈控制, 实现对高度模型的逆模型控制。仿真结果表明,该方法较传统PID控制的动态过程超调量小、响应快速, 且稳定性好, 系统抗干扰能力强。
四旋翼无人机 小脑模型 高度跟踪 复合控制 quadrotor UAV CMAC altitude tracking compound control
1 杭州电子科技大学 机械工程学院, 浙江 杭州 310018
2 杭州浙大精益机电技术工程有限公司, 浙江 杭州 310027
针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略.通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制.仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58.此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能.
超磁致伸缩致动器 迟滞非线性误差 小脑神经网络 前馈逆补偿控制 模糊PID控制 Giant Magnetostrictive Actuator(GMA) hysteresis nonlinear error Cerebellar Model Articulation Controller(CMAC) feed forward inverse compensation control fuzzy PID control
1 光电控制技术重点实验室，河南 洛阳471009
2 西北工业大学航天学院，西安710072
在电动负载模拟器的控制系统设计中，其参数优化一般需要大量试验。根据负载模拟器的工作原理建立了伺服电机的数学模型，在分析CMAC神经网络控制结构的基础上，引入了更新系数和补偿环节，提出了一种基于CMAC神经网络的改进算法，对各控制参数进行了寻优，获得了参数的选择域。通过对系统的数字仿真表明，该方法可稳定地跟踪非线性输入，尤其在大角度高速下加载效果良好，满足项目精度性能要求，对负载梯度和频率变化具有自适应能力。
电动负载模拟器 CMAC神经网络 参数最优 自适应 load simulator CMAC neural network parameter optimization self adaptation
1 浙江师范大学 数理与信息工程学院,浙江 金华 321004
2 北京理工大学 信息与电子学院,北京 10008
在分析云背景红外图像空间分布上存在混沌现象的基础上，提出一种基于脑模型控制器的红外背景预测算法.该方法利用混沌具有短时可预测性的特点，对云背景图像进行预测，并根据云背景杂波和运动目标的混沌特性差异修正预测模型.仿真结果表明，该算法能有效地提高云背景的预测准确度，预测残差符合白噪音特性，对云背景杂波具有良好的抑制效果，能显著提高目标的信杂比，从而改善目标的检测性能.
红外图像 背景预测 混沌 脑模型控制器 Infrared(IR) image Background prediction Chaos Cerebellar Model Articulation Controller(CMAC)
1 空军工程大学 工程学院,西安710038
2 空军驻南方动力机械公司军事代表室,湖南株洲412000
针对某型航空发动机数字式电子调节系统控制性能提升的需要,将CMAC与PD的并行控制算法首次应用于该数控系统低压转子转速调节通道,同时为了增强该通道克服超转的能力,提出了一种改进的CMAC与PD的并行控制算法,该改进算法通过给CMAC的控制量输出乘上一个时变的“恢复系数σ”可以动态地改变系统总控制量。仿真结果表明该改进算法响应速度快,静态误差小,在控制发动机非线性时变模型时具备较强的克服超调能力。
航空发动机 并行控制 恢复系数 超调 aeroengine CMAC CMAC parallel control resumptive coefficient overshoot
1 浙江大学 现代制造工程研究所 流体传动与控制国家重点实验室,浙江 杭州 310027
2 华北科技学院 机电系,河北 燕郊101601
提出了一种利用超磁致伸缩材料(GMM)智能构件精密加工活塞异形孔的方法。采用一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制,消除了GMM智能构件迟滞非线性的影响。将智能构件的输出位移及其变化率作为小脑模型神经网络(CMAC)输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型;通过离散滑模变结构控制器来消除神经网络的建模近似误差以及外界干扰。仿真结果表明,此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,控制误差降低到1.5%以内,可实现智能构件的精密位移控制。
超磁致伸缩智能构件 小脑模型神经网络(CMAC) 滑模变结构控制 前馈补偿 迟滞非线性 giant magnetostrictive smart component CMAC neural network sliding mode variable structure control feedforward compensation hysteresis nonlinearity
华南理工大学,机械工程学院,广东,广州,510640
提出了一种基于CMAC数据融合模型的复杂智能图像融合快速算法.将多源传感器图像配准后的各源图像按相同标准分解成若干个J×J区域,通过量化编码,概念映射到关联存储空间的存储单元区域中,再用hash编码技术实际映射到权重存储空间进行压缩,经过CMAC网络的迭代训练,得到CMAC图像融合结果.设计多聚焦图像的模型仿真实验,将CMAC图像融合方法、加权平均图像融合方法、像素灰度值选大图像融合方法以及像素灰度值选小图像融合方法进行了定性与定量的比较与分析.实验结果表明:CMAC图像融合方法比其它方法能更有效地逼近真实的融合模型,其均方根误差分别只有其它3种方法的30.4%、22.2%和20.9%,且具有实时性的优点.
多传感信息融合 图像融合 CMAC网络
针对能动磨盘面形控制系统的非线性和多变量特点,提出了基于CMAC神经网络的能动磨盘面形智能控制方法,以CMAC神经网络来映射磨盘面型和控制脉冲之间复杂的关系.为验证上述智能控制方法,搭建了由有效变形口径为420 mm能动磨盘和60路微位移阵列传感器组成的3单元能动磨盘面形检测实验平台,在该实验平台上进行了多组实验,利用微位移阵列传感器分别检测出能动磨盘在1单元、2单元和3单元驱动器作用下实验面形相对于理论面形的偏差,其中峰谷值分别为0.99,2.34和2.68 μm,均方根值分别为0.19,0.59和0.57 μm,实验结果验证了能动磨盘CMAC神经网络智能控制的可行性.
光学加工 能动磨盘 神经网络 智能控制 CMAC
中国科学院光电技术研究所, 四川 成都 610209
根据(CMAC)小脑模型处理非线性系统的特点,分析了应力盘系统的结构和盘控系统,引入了CMAC神经网络实现应力盘形变控制的模型。提出了将CMAC神经网络应用于应力盘逆变形智能控制的创意和实现方法,以应力盘面形参数和对应的驱动器电压参数作为样本训练CMAC神经网络,将训练成功的CMAC神经网络作为控制器控制应力盘变形,取得了误差小于5%的计算机仿真结果。
计算机神经网络 光学加工 应力盘 小脑模型神经网络 非球面
