基于小脑模型神经网络与PID的复合控制研究

文章阐述了小脑模型神经网络的基本原理并研究分析了其工作原理。在此基础上，结合PID控制的优点，提出了小脑模型神经网络与PID复合控制的算法。仿真结果表明，该算法简单方便，具有较好的实时性、稳定性和较强的鲁棒性，对被控对象的控制效果比较理想。     

基于PCA-CMAC的设备性能退化评估

提出了一种用于设备性能退化评估的PCA-CMAC(主成分分析-小脑模型节点控制器)模型.该模型利用PCA进行特征提取,去除多个传感器信号特征的冗余信息,并且减少CMAC的输入维数;利用CMAC的局部泛化能力定量地评估设备的性能退化.给出了模型的实现过程,并将模型应用于钻削过程刀具状态的评估,试验结果证明该模型能基于刀具的正常状态,对刀具的磨损状态进行定量的评估.分析了CMAC中泛化参数g和量化参数r对评估结果的影响,g越大,CMAC的泛化能力越好,但各退化状态之间的区别越不明显;r越小,各退化状态之间越容易区分,但所需的权存储空间越大.2个参数的基本选择原则是CMAC的权存储空间应尽量小,与此同时,各退化状态之间应容易区分.     

基于CMAC神经网络和Kalman滤波器的三维视觉跟踪

采用Kalman滤波器来预测图像特征点的位置，然后在其周围建立图像处理窗口，以达到减小特征点搜索区域及提高图像处理速度的目的．根据基于图像的视觉伺IBVS（image based visual servoing)的原理，在视觉伺服控制环中加入CMAC(cerebellar model articulation controller)神经网络来实现从图像空间的误差信号向输入空间的控制信号的非线性映射，从而避免了图像雅可比矩阵的不断调整及其复杂的求逆过程．模拟结果表明：采用Kalman滤波器能有效预测特征点的位置，同时采用CMAC神经网络能实现在线有导师学习，末端执行器能较好地对目标物体进行跟踪．     

基于CMAC学习控制的永磁同步电机仿真研究

将一种基于CMAC神经网络的PID控制器引入到永磁同步电动机交流调速系统中,取代传统的PMSM双环控制系统中的转速外环PI控制器.仿真结果表明,运用该控制方法与规则自校正模糊控制相比具有较快的响应速度、较高的稳态精度和较强的鲁棒性.     

基于软件硬化技术CMAC神经网络控制芯片设计

根据CMAC神经网络的工作原理和内部结构特点,提出了基于FPGA软件硬化技术设计CMAC硬件控制芯片的技术路线,详细讨论了基于FPGA芯片将CMAC神经网络软件硬化的方法,给出了仿真运行波形。构建出用于数控机床直线电动机驱动伺服系统的CMAC复合控制策略。以美国Kollmorgen公司的IC22-050A2P1型直线电动机作为试验对象,对硬化实现的CMAC控制器进行了实际应用,以验证方案的正确性。     

CMAC神经网络在变磁阻电动机转矩控制中的应用

结合变磁阻电动机的工作特点,提出了应用小脑模型神经网络控制SRM转矩的控制器结构和改进的学习算法。该算法是在原算法的基础上增加了一个与可变相角有关的约束函数。仿真结果表明:该系统不但收敛速度没有降低,而且经过训练能够产生理想的电流曲线,在抑制电机转矩脉动和提高有效功率方面具有显著效果。