模糊CMAC神经网络在AUV运动控制中的应用

摘要

该文以AUV为对象,针对其运动控制中模型非线性部分对控制性能影响较大及有海流、海浪等外界干扰等特点,采用一种新型神经网络:模糊小脑模型关节控制器(Fuzzy Cerebellar Model Arithmetic Controller)并结合基于李雅普诺夫原理而推导出的学习算法设计AUV的运动控制系统,并与传统PID控制器进行了仿真比较.该文在建立坐标系和运动模型(包括海流、海浪影响)的基础上,将FCMAC控制器分别应用于潜艇垂直面的深度及纵倾控制和AUV的5自由度运动控制.作为实施具体控制的前提,第3章在简要分析了FCMAC工作原理的基础上进行了它的C++语言代码的实现,包括初始化、前馈算法和自学习算法等.在潜艇垂直面运动控制的应用中,FCMAC的输出用于补偿运动模型的非线性部分,这一功能通过FCMAC的在线学习实现,经过补偿后的潜艇控制系统可看作一个线性系统,它由一个PD控制器进行控制.仿真结果表明:FCMAC控制器无论在运动控制精度还是鲁棒性方面都较PD控制更优,同时抗扰动能力也达到了工程要求.

目录

文摘

英文文摘

第1章水下机器人运动控制方法综述及一种新的控制策略初探

1.1现有方法综述

1.1.1 PID控制

1.1.2 H∞控制

1.1.3自适应控制

1.1.4模糊控制

1.1.5神经网络控制

1.1.6滑模变结构

1.2一种混合型智能自适应控制策略的初步探讨

1.2.1研究对象简介

1.2.2控制策略分析

1.2.3控制策略框架简介

1.3小结

第2章潜艇及水下机器人运动的数学模型

2.1坐标系及其变换

2.1.1固定坐标系

2.1.2运动坐标系

2.1.3坐标系之间的旋转变换

2.2水动力的表达

2.2.1水动力的函数表示

2.2.2水动力函数的一般泰勒级数表示

2.2.3水动力函数向量的二阶泰勒级数展开式

2.2.4在匀速直航工作点下的水动力二阶展开式

2.2.5舵水动力的分离

2.3推进器推力模型

2.3.1方向向量和一致性系数

2.3.2基本假设

2.3.3推力

2.3.4推力矩和旋转扭矩

2.4海流模型

2.4.1水流简化为定向流或恒定流

2.4.2定向时变流下的水平面运动方程

2.4.3恒定流假设下的水平面运动方程

2.5海浪模型

2.5.1概述

2.5.2规则波简介

2.5.3应用修长体理论的海浪模型

2.6小结

第3章FCMAC神经网络

3.1模糊推理系统简介

3.2 FCMAC神经网络结构

3.2.1结构

3.2.2隶属函数的选择

3.3程序实现

3.3.1正向模糊推理算法的函数映射部分

3.3.2学习算法的权值更新部分

3.4小结

第4章FCMAC方法有效性的验证.

4.1潜艇垂直面运动模型

4.2 FCMAC控制算法及与PD控制算法的比较与分析(理想舵)

4.2.1 FCMAC控制算法

4.2.2 PD控制算法

4.2.3仿真性能比较及分析

4.3 FCMAC控制算法及与PD控制算法的比较与分析(实际舵)

4.3.1实际舵情况下FCMAC学习算法的改进

4.3.2仿真性能比较及分析

4.4小结

第5章FCMAC在AUV五自由度运动控制中的应用

5.1运动模型的改造及带来的问题

5.1.1模型的改动

5.1.2带来的问题

5.2AUV运动控制

5.2.1控制算法推导

5.2.2预报式艏向寻优算法

5.3仿真结果及分析

5.4小结

结论

参考文献

附录A 模型系数定义

攻读学位期间发表的论文

致 谢