顼晓娟[1]2003年在《基于粗糙集、思维进化的模糊控制策略在倒立摆系统中的研究》文中研究表明倒立摆系统是一种典型的非线性、多变量、不稳定、强耦合的快速系统，由于它受多种非线性因素的影响，实现其控制较为困难，因此多年来对它的研究受到控制学界的普遍重视。对倒立摆系统的研究可归结为对多变量绝对不稳定系统的研究，因此其控制方法和思路对处理一般工业过程具有广泛的用途，其控制方法的研究也具有指导意义。 本文首先对倒立摆系统的控制问题及其一般的控制策略进行了评述。接着深入分析了粗糙集理论的思想精髓、特点，综述了粗糙集在智能控制中应用现状；重点介绍了思维进化算法的理论精髓、主要算法及其应用发展。 最后本文针对倒立摆系统的动态特性，寻找粗糙集、思维进化与模糊控制的切入点，首次提出一种新的智能控制策略—基于粗糙集、思维进化的模糊控制策略用于倒立摆系统的控制。 该控制策略利用T-S模糊模型易于表达非线性系统动态特性的优点，离线建立模糊查询表来实现实时查找在线控制，并且提出一种新颖的快速查询方法—列存储下标查询法，该方法可以大大提高规则查找的速度，而且任一规则均花费相同的查询时间；充分利用粗糙集知识约简和不相容度的理论，对模糊规则表进行约简，避免由于输入变量过多而导致搜索空间巨大、规则爆炸等问题；同时利用思维进化算法优化模糊控制的参数，这种算法在计算效率和收敛性方面都优于遗传算法。 摘要 倒立摆系统的控制实验表明，与PD和模糊控制策略相比，RMBFC控制策略简单有效，不仅大大减少了模糊规则的数目，加快了MEA的参数寻优速度，提高了系统的快速性，而且由于对被分析数据整体的处理是客观的，避免了常规模糊控制从主观角度随意约简输入变量的弊病;同时，由于去掉冗余的条件属性，消除了因变量之间强祸合关系而产生的噪声，使系统的控制特性得到了改善，快速性提高，鲁棒性增强。并且该策略对二级倒立摆这样一个复杂的多变量、强祸合、非线性的快速系统具有良好的控制特性。
郝晓丽[2]2004年在《基于粗糙——模糊集理论的倒立摆系统的建模与控制》文中指出倒立摆系统是一个复杂、多变量、非线性、不稳定的快速系统，它被认为是自动控制理论中典型的实验设备，也是控制理论教学和科研中典型的物理模型。倒立摆之所以引起人们广泛的兴趣，是因为许多工业领域中的被控对象都可以抽象成为倒立摆模型，而且，在控制过程中，它能够有效地反应控制中的许多关键问题，如稳定问题，非线性问题，鲁棒问题，随动问题等。因此，倒立摆的研究不仅具有重要的工程背景，还有深刻的理论意义。 本文首先综述了智能控制策略在倒立摆系统控制研究中的历史和现状，重点阐述了模糊控制、专家控制、神经网络控制以及仿人智能控制等多种智能控制策略在倒立摆系统中的成功应用。 其次，运用了拉格朗日法对一级和二级倒立摆的建模过程进行了详细的推导。在此基础上，对本实验中的直线叁级倒立 太原理工大学硕士研究生学位论文摆所采用的最优控制策略进行了理论上的深入分析，并通过仿真和实验操作进行了验证。 最后，本文采用基于进化计算一‘扭材模糊推理的控制策略对一级倒立摆进行控制，它不但有效地解决了由于多输入造成的“规则爆炸”的难题，而且运用进化计算对各输入变量的权值进行优化，根据各输入变量对控制效果产生不同的影响，来调整权值，增强了控制器的自适应性。 在对二级倒立摆进行控制时，采用了基于粗糙集评定法的分层模糊的控制策略。根据粗糙集评定法的判据，对二级倒立摆的六个状态变量进行了重要性和可导性的判定，依次推断出六个状态变量对控制效果的影响度，并在此基础上，设计了叁个分层控制器，也很好地解决了“规则爆炸”的问题，取得了好的控制效果。
李晓燕[3]2005年在《平面一级倒立摆系统的智能控制策略研究》文中提出随着科学技术的迅速发展,新的控制方法不断出现,倒立摆系统作为检验新的控制理论及方法有效性的重要实验手段得到广泛研究。本文选取平面一级倒立摆系统作为研究对象,进行了针对多变量复杂系统的智能控制方法——基于粗糙集的Mamdani神经模糊系统分组补偿控制策略的研究与仿真。 首先,本文在对粗糙集理论知识获取方法及思想进行分析的基础上,提出了平面一级倒立摆系统的模糊规则获取算法。该粗糙集规则获取算法在决策表的构建中结合了粗糙集理论和模糊集理论,采用模糊离散归一化方法构造模糊决策表,决策表的属性约简采用了“属性重要度”启发式算法,使获取的精简模糊控制规则对映射Mamdani神经模糊系统模型更合理,具有更好的控制适应性。 然后,本文对基于Mamdani模糊模型的神经模糊系统进行了理论分析,介绍了其控制思想、网络结构及学习算法,在理论分析的基础上,指出了神经模糊系统控制方法的优点,以及它在针对平面一级倒立摆系统控制中存在的不足:网络结构庞
郭刚[4]2004年在《自适应神经模糊控制策略在倒立摆系统中的研究》文中研究指明倒立摆属于多变量、非线性、不稳定、强耦合的快速系统，它的强非线性导致实现其控制较为困难，因此多年来对它的研究受到控制学界的普遍重视。对倒立摆的研究可归结为对多变量非线性系统的研究，因此其控制方法和思路对处理一般工业过程也具有指导意义。 本文在仔细分析倒立摆现有智能控制方案的情况下，寻找模糊控制和神经网络结合的切入点，采用一种先进的的智能控制策略——基于自适应神经网络的模糊推理系统ANFIS(Adaptive Neural-Based Fuzzy Inference System)来对倒立摆系统进行建模和控制。基本思想是：模糊控制器采用Sugeno模糊模型，易于描述非线性系统的动态特性；基于ANFIS的系统建模不需要进行结构优化，本文采用BP算法与梯度下降法结合的混合算法对Sugeno模糊模型中的前项及后件参数进行优化修正；在己获得的客观输入输出数据对的基础上，本文提出一种新的ANFIS策略对倒立摆系统进行模糊建模，避免了主太原理工大学硕士研究生学位论文观选择隶属函数和模糊规则，划分论域等缺陷;最后基于优化后的Sugeno模糊模型，对倒立摆进行有效的控制。 仿真实验表明，与尸刃和传统模糊控制策略相比，该建模控制策略避免了尸zD控制参数选择困难和常规模糊控制主观设计隶属函数和模糊规则的弊病，控制效果令人满意，为解决未知不确定非线性系统的辨识问题提供了一条新的思路。
谢珺[5]2009年在《二进制粒神经网络研究及其在故障诊断中的应用》文中研究指明随着信息技术的发展,人们采集到的数据日益膨胀,这些数据具有维数高、类别多的特征,如何从海量数据中挖掘出有用信息,成为人工智能面临的重要课题。神经网络擅长从数据中找到特定模式,但不能确定哪些特征是冗余的,哪些特征是有用的,难以评估特征的重要性。而新兴提出的粒计算能摆脱繁琐的、不重要的细节,抓住问题的本质,从适当的粒度层来求解问题,降低算法复杂度,快速获得问题的解。将粒计算与神经网络融合研究具有前沿性、科学性及优越性。故障诊断可以看做是一个从海量的故障数据中挖掘关键特征,进而对故障样本进行分类识别的过程。本文将粒计算和神经网络结合,并应用于机械的故障诊断,其研究成果为粒计算和神经网络理论增添了新的内涵,拓展了粒计算的应用领域,为工业领域的故障诊断提供了一种新的思路和方法。本文的研究内容属于信息科学、自动化科学、计算机科学等学科的交叉领域。本文的主要创新性工作包括:(1)提出一种基于粒计算的二进制可辨矩阵属性约简算法。引入粒度层的观点,把二进制可辨矩阵的不同列组合看作不同的粒度层,通过不同列之间的访问实现了不同粒度层的跳转。针对过热器模型参数因工况参数变化而变化的问题,且模型参数与工况参数间的关系复杂,将所提出的约简算法用来挖掘工况参数与模型参数间的关系和影响规律,实现对过热器的建模。实验结果表明该算法计算量少,能够快速挖掘到规则,且易于编程实现。(2)提出一种基于粒度混合系统的控制方法。定义了粒度混合自动机的概念,针对倒立摆的强耦合性和自然不稳性的特点,将倒立摆的起摆和稳定过程划分成3个粒度世界,并给出不同粒度世界之间跳转的阈值条件。通过在3个粒度世界间的跳转,实现对倒立摆系统的稳定控制。仿真结果表明基于粒度混合系统的控制方法能够在较短时间内摆起倒立摆,并稳定在目标位置。(3)提出一种基于二进制粒矩阵的属性约简算法(Binary Granular Matrix-based Attribute Reduction, BGMAR)。该算法由2个子算法构成:针对决策表存在重复和矛盾对象的情况,提出一种基于二进制粒矩阵的论域约简算法,经过论域约简后的决策表对象数目减少,缩小了进行最优属性约简的样本空间;针对现有的属性约简算法大多无法找到最优约简的现状,提出一种基于二进制粒矩阵最优属性约简算法,在论域约简的基础上,通过计算各个条件属性的重要度,求出属性核;在属性核的基础上,采用决策属性集对条件属性集的依赖度作为启发信息进行搜索,直到得到最优属性集。设计了2个算例对BGMAR算法的有效性进行验证,结果表明该算法不仅对一致决策表的最优属性约简有效,而且还适用于不一致决策表约简,并且能得到其最优属性集。(4)提出一个二进制粒神经网络模型框架,并在该框架下提出二进制粒神经网络分类器(Binary Granular Neural Network Classifier, BGNNC)及其算法。将粒计算的降维与约简能力与神经网络固有的并行处理与学习能力相结合,构建粒计算作为神经网络前端处理器的二进制粒神经网络模型,提出一种二进制粒神经网络分类器的7元组模型及其分类算法。利用BGMAR算法约简特征空间,找到最优特征后,采用动量—自适应学习率BP算法训练BGNNC实现模式分类。选取UCI机器学习数据库中的Breast Cancer Wisconsin (Diagnostic)、Iris、Wine、Zoo 4个标准数据集进行测试,将BGNNC算法与标准BP算法进行了分类结果的比较。实验结果表明BGNNC是一种有效的分类算法,具有较好的泛化能力,不仅可以解决2分类问题,在多分类任务上也是可行且正确率较高的一种方法。(5)将本文提出的BGNNC算法应用于机械故障诊断。针对往复式机械(内燃机)和旋转式机械部件(滚动轴承)各自的故障机理,利用BGNNC算法对这两类机械设备进行故障诊断。设计了验证BGNNC算法有效性的对比实验,分别采用BP算法、免疫群体网络(Immune Population Network, IPN)算法对上述工程实例进行故障诊断,并比较上述3个算法的诊断结果。仿真实验表明BGNNC算法训练速度快,诊断准确率高,不失为一种可行的、高效的智能诊断方法。
刘微微[6]2010年在《基于云模型理论的倒立摆智能控制方法研究》文中进行了进一步梳理智能控制是一类具有某些仿人智能行为特征的控制策略,主要针对模型参数复杂、模型结构难以用数学方法精确描述的被控对象。李德毅院士提出的云模型理论是基于不确定性人工智能的思想,该理论着重于对象的不确定性分析,将模糊性与随机性结合在一起,实现了定性概念与定量数值之间的不确定性转换,基于该理论的方法现已成功地运用于倒立摆的稳定控制、知识开采和数据挖掘、系统效能评估等方面。倒立摆系统作为一种实验设备,在教学和科研过程发挥着重要作用,它以其自身的非线性、强耦合、多变量和自然不稳定性,成为检验各种控制理论和方法的理想模型。本文以云模型理论作为基石,对一级倒立摆系统的稳定控制问题进行了研究。首先,采用牛顿力学方法建立了倒立摆系统的数学模型,分析了倒立摆系统的定性控制机理,并给出了倒立摆系统的各种动平衡模式。其次,本文详细闸述了云模型的基本理论,重点分析了正态云模型的正向云发生器和逆向云发生器,并对定性规则的云推理进行介绍。再次,本文基于正态分布的“3En原则”对隶属云概念判定的算法进行了改进,改进后的算法降低了模糊概念判定的时间复杂度,且用于云推理时可以避免激活无效规则。此外,本文以MATLAB语言为工具对正向云发生器和逆向云发生器进行了软件实现,为倒立摆系统云控制器设计的实现提供了软件支持。最后,本文利用改进的云模型控制算法对倒立摆系统进行控制,并与线性二次型最优控制(LQR)控制方法进行对比,仿真结果表明,该方法控制的倒立摆系统具有良好的动态响应性能和鲁棒性,体现了云模型理论在处理不确定性问题上所具有的优势。
参考文献：
[1]. 基于粗糙集、思维进化的模糊控制策略在倒立摆系统中的研究[D]. 顼晓娟. 太原理工大学. 2003
[2]. 基于粗糙——模糊集理论的倒立摆系统的建模与控制[D]. 郝晓丽. 太原理工大学. 2004
[3]. 平面一级倒立摆系统的智能控制策略研究[D]. 李晓燕. 太原理工大学. 2005
[4]. 自适应神经模糊控制策略在倒立摆系统中的研究[D]. 郭刚. 太原理工大学. 2004
[5]. 二进制粒神经网络研究及其在故障诊断中的应用[D]. 谢珺. 太原理工大学. 2009
[6]. 基于云模型理论的倒立摆智能控制方法研究[D]. 刘微微. 哈尔滨理工大学. 2010
标签：自动化技术论文; 模糊控制论文; 倒立摆论文; 粗糙集论文; 智能控制论文; 神经网络模型论文; 模糊算法论文; 模糊理论论文;