三级倒立摆的RBF-ARX建模与云推理控制器设计

摘要

倒立摆作为复杂的非线性系统，在对其进行控制前，首先要建立精确的倒立摆模型。传统的倒立摆建模时采用数学方法来建立，这种方法是忽略次要因素后经过线性化建立的线性模型，为达到更好的控制效果，需要建立更为精确的非线性模型，本文提出采用RBF-ARX(Radial Basis Function-AutoRegressive eXogenous)方案，基于数据建立三级倒立摆的非线性模型，并在此基础上建立三级倒立摆的控制系统，分别采用基于云遗传算法(Cloud Genetic Algorithm,CGA)优化的T-S模糊神经网络和传统遗传算法(Genetic Algorithm,GA)优化的T-S云推理神经网络作为控制器，仿真实现了三级倒立摆的稳摆控制。
　　首先，对于RBF-ARX模型进行了深入研究，发现其原有的优化方法SNPOM在优化过程中，计算复杂，运算缓慢，在工程领域应用上难以推广，提出遗传算法(Genetic Algorithm，GA)代替SNPOM对模型参数进行优化，建立GA-RBF-ARX三级倒立摆非线性模型，在简化优化过程的基础上，也建立了更精确的非线性模型便于控制。
　　其次，基于GA-RBF-ARX建立的三级倒立摆非线性模型，设计了T-S模糊神经网络控制系统，并针对GA本身收敛慢、易陷入局部收敛的不足，提出将CGA引入控制系统，优化T-S模糊神经网络控制器。CGA是一种将云模型与GA相结合的优化算法，综合了两者的优势，收敛速度与优化结果方面都优于传统遗传算法。经仿真验证，基于CGA优化的T-S模糊神经网络三级倒立摆控制系统具有很好的控制效果。
　　最后，在T-S模糊神经网络的基础上，深入研究云理论，将云模型与T-S模糊神经网络相结合，设计了三级倒立摆的T-S云推理控制器，建立基于GA优化的T-S云推理神经网络三级倒立摆控制系统。经过仿真验证，结果表明该方法，兼备模糊神经网络与云模型的优势，增加了网络处理不确定性问题的能力，为复杂系统的控制问题提供了新的思路。

目录

声明

中文摘要

英文摘要

目录

第1章 绪 论

1.1 课题研究背景及意义

1.2 倒立摆控制的研究现状

1.3 课题研究内容

第2章 改进RBF-ARX模型GA优化及三级倒立摆建模

2.1 RBF-ARX的传统SNPOM优化方法及不足

2.2改进的RBF-ARX模型GA优化

2.3三级倒立摆的GA-RBF-ARX建模与仿真

2.4 本章小结

第3章 三级倒立摆的改进型T-S模糊神经网络控制系统设计与仿真

3.1 改进的T-S模糊神经网络结构与工作过程

3.2基于CGA优化的T-S模糊神经网络三级倒立摆控制系统设计

3.3 T-S模糊神经网络控制系统仿真对比研究

3.4 本章小结

第4章 三级倒立摆的T-S云推理神经网络控制系统设计

4.1 T-S云推理神经网络结构与工作过程

4.2基于GA优化T-S云推理神经网络的三级倒立摆控制系统设计

4.3 T-S云推理神经网络控制系统仿真对比研究

4.4 本章小结

结论

参考文献

攻读硕士学位期间承担的科研任务与主要成果

致谢