直线倒立摆控制系统的设计与仿真ann控制(附件)
本文采用人工神经网络作为人工智能技术来控制非线性倒立摆系统的位置角度。对直线一级倒立摆进行分析，进行物理建模，建立数学模型，然后利用现代控制方法验证了模型的有效性。运用人工神经网络控制器结合直线一级倒立摆来实现。这里的ANN控制器是一个指定的三层前馈网络，具有输入，隐藏和输出层。 人工神经网络控制倒立摆的数学模型，利用BP算法进行训练，其倒立摆BP网络为4输入3层结构。输入层采用Tansig函数，隐含层采用Logsig函数，输出层采用Purelin函数，并用MATLAB仿真比较传统控制器的响应和显示改善的反应。关键词 神经网络；BP算法；倒立摆控制。
目录
1 绪论 1
1.1 引言 1
1.2 本课题研究的目的及意义 2
1.3 本课题设计方案 3
1.4 本章小结 3
2 倒立摆控制系统结构与仿真建模 4
2.1 倒立摆系统结构 4
2.2 单级倒立摆动力学模型 5
2.3 神经网络控制倒立摆理论方法 8
3 神经网络控制方法的应用 9
3.1 神经网络的结构 9
3.2 神经网络的训练 9
3.3 神经网络研究热点 9
4 基于BP神经网络的倒立摆系统设计 10
4.1 人工神经网络概述 10
4.2 BP模型算法简介 10
4.3 神经网络控制器设计及其仿真 12
总结 18
致 谢 19
参 考 文 献 20
1 绪论
1.1 引言
倒立摆系统是一个经典的控制问题，用于研究非常复杂的非线性系统。人工神经网络（ANN）用于预测倒立摆系统的控制器模型，人工神经网络已被证明是一个非常有用和成功的工具，以高精度预测高度非线性和复杂的过程。人工神经网络吸引研究人员的原因是由于其能够快速了解动态过程，除此之外人工神经网络还能够处理不确定的噪声数据[1]。在过程工业中有非线性系统的几种应用，其控制的任务是非常复杂的，由于常规控制器通常用于线性或近似线性系统，因此传统控制器使用时的准确度非常低。对于控制非线性系统的任务，人们已经看到ANN是 *好棒文|www.hbsrm.com +Q: @351916072@
具有特定精度的控制器。人工神经网络（ANN）是基于人脑的非线性映射结构。 ANN由简单的高度连接的称为神经元的计算单元组成。人工神经网络具有广泛的适用性和技巧，可以轻松处理复杂的问题。人工神经网络是由相互连接的处理单元组成的并行计算模型。在解决问题这个非常重要的特征时，人工神经网络将“学习的例子”代替为“程序设计”。
1.2 本课题研究的目的及意义
神经网络控制是控制领域的一个非常重要的研究方向，目前已经有很多神经网络在自动控制中应用的先例，把神经网络应用到倒立摆控制上是目前研究的热点之一。倒立摆有它结构和价格的优势，一般会被用来验证控制方法是否有效。本文以神经网络结合LM算法的控制方法的研究，提出了一种能够提高网络的训练速度、泛化性和鲁棒性等特性的控制方法。如今国内外十分流行的两轮平衡车的模型就是类似于一级倒立摆，如果将倒立摆的理论广泛运用，有着十分巨大的实际意义和商业价值。
可见，对倒立摆的研究既有理论意义又有重要的工程意义。正因如此，倒立摆系统是控制领域经久不衰的课题[1]。
1.2.1 倒立摆研究的意义
倒立摆具有简单的结构，展现起来直观形象且价格低廉，所以倒立摆在教学和科研上有比较广泛的应用，它作为控制理论研究的理想实验平台，可以验证已有控制理论和算法的正确性和可行性，还能够进行新的控制理论的探索。通过对倒立摆稳定性的研究，不仅可以解决控制问题，还能够把控制理论研究的电学、力学和数学等学科联系起来，在倒立摆系统中得到综合应用[3]。倒立摆的控制方法在机器人、空间技术和一般工业领域有着广泛的应用，如半导体及精密仪器加工、机器人控制技术、航天飞机与空间站对接、导弹拦截控制系统、海上钻井平台稳定控制、卫星飞行中的姿态控制和一般工业应用等[2]。倒立摆作为连接控制理论和控制方法的纽带，使得人们对它很是关注，具有重要的理论价值和实践意义。
近年来，各个领域对于控制系统性能方面的要求愈发严格，被控对象也变得更为复杂，非线性和其他不确定因素的同时存在，传统的控制方法想要处理这类问题比较困难。神经网络具有很强的学习能力、适应能力和任意非线性函数的逼近能力，它的出现使得非线性系统以及相关的问题有了新的解决办法。
1.2.2 神经网络研究的意义
人工智能的技术及其使用已经应用于很多领域并且解决了众多问题，取得了很多重要的成就。神经网络是由单独的一个神经处理单元构成的大规模的并行处理器。神经网络在信息存储结构上采用的是并行分布形式，它的信息分布在网络所有的连接权值中[7]。神经网络的信息存储与处理在时间和空间都是并行的[11]。这使得神经网络能够自己适应样本数据，对于模糊不清、残缺不全以及模糊的数据也可以正常工作，更容易应用到现如今的领域当中，能够处理来自不同的方面的数据。神经网络优化了传统的人工智能不足的方面，包括在模式识别、非线性化信息处理方面。它以微观角度来模拟人脑，是现如今对人脑功能模拟比较成功的系统之一。神经网络的研究涉及众多领域，如信号处理、模式识别、自动控制、知识处理、运输和通信等[13]。
1.3 本课题设计方案
本文对于倒立摆系统的研究主要是进行神经网络控制倒立摆，运用人工神经网络的优势来对倒立摆进行设计仿真，该系统具有重要的工程背景。对于非线性系统控制，本文既介绍了传统的控制方法：反馈控制和模糊控制。并对其进行MATLAB仿真，在此基础上介绍基于BP神经网络的控制，同样进行仿真得出其优越性。
论文的主要工作有以下几个方面：
（1）倒立摆系统建模。介绍倒立摆系统的动力学模型，控制系统的结构，其控制要求。
目录
1 绪论 1
1.1 引言 1
1.2 本课题研究的目的及意义 2
1.3 本课题设计方案 3
1.4 本章小结 3
2 倒立摆控制系统结构与仿真建模 4
2.1 倒立摆系统结构 4
2.2 单级倒立摆动力学模型 5
2.3 神经网络控制倒立摆理论方法 8
3 神经网络控制方法的应用 9
3.1 神经网络的结构 9
3.2 神经网络的训练 9
3.3 神经网络研究热点 9
4 基于BP神经网络的倒立摆系统设计 10
4.1 人工神经网络概述 10
4.2 BP模型算法简介 10
4.3 神经网络控制器设计及其仿真 12
总结 18
致 谢 19
参 考 文 献 20
1 绪论
1.1 引言
倒立摆系统是一个经典的控制问题，用于研究非常复杂的非线性系统。人工神经网络（ANN）用于预测倒立摆系统的控制器模型，人工神经网络已被证明是一个非常有用和成功的工具，以高精度预测高度非线性和复杂的过程。人工神经网络吸引研究人员的原因是由于其能够快速了解动态过程，除此之外人工神经网络还能够处理不确定的噪声数据[1]。在过程工业中有非线性系统的几种应用，其控制的任务是非常复杂的，由于常规控制器通常用于线性或近似线性系统，因此传统控制器使用时的准确度非常低。对于控制非线性系统的任务，人们已经看到ANN是 *好棒文|www.hbsrm.com +Q: @351916072@
具有特定精度的控制器。人工神经网络（ANN）是基于人脑的非线性映射结构。 ANN由简单的高度连接的称为神经元的计算单元组成。人工神经网络具有广泛的适用性和技巧，可以轻松处理复杂的问题。人工神经网络是由相互连接的处理单元组成的并行计算模型。在解决问题这个非常重要的特征时，人工神经网络将“学习的例子”代替为“程序设计”。
1.2 本课题研究的目的及意义
神经网络控制是控制领域的一个非常重要的研究方向，目前已经有很多神经网络在自动控制中应用的先例，把神经网络应用到倒立摆控制上是目前研究的热点之一。倒立摆有它结构和价格的优势，一般会被用来验证控制方法是否有效。本文以神经网络结合LM算法的控制方法的研究，提出了一种能够提高网络的训练速度、泛化性和鲁棒性等特性的控制方法。如今国内外十分流行的两轮平衡车的模型就是类似于一级倒立摆，如果将倒立摆的理论广泛运用，有着十分巨大的实际意义和商业价值。
可见，对倒立摆的研究既有理论意义又有重要的工程意义。正因如此，倒立摆系统是控制领域经久不衰的课题[1]。
1.2.1 倒立摆研究的意义
倒立摆具有简单的结构，展现起来直观形象且价格低廉，所以倒立摆在教学和科研上有比较广泛的应用，它作为控制理论研究的理想实验平台，可以验证已有控制理论和算法的正确性和可行性，还能够进行新的控制理论的探索。通过对倒立摆稳定性的研究，不仅可以解决控制问题，还能够把控制理论研究的电学、力学和数学等学科联系起来，在倒立摆系统中得到综合应用[3]。倒立摆的控制方法在机器人、空间技术和一般工业领域有着广泛的应用，如半导体及精密仪器加工、机器人控制技术、航天飞机与空间站对接、导弹拦截控制系统、海上钻井平台稳定控制、卫星飞行中的姿态控制和一般工业应用等[2]。倒立摆作为连接控制理论和控制方法的纽带，使得人们对它很是关注，具有重要的理论价值和实践意义。
近年来，各个领域对于控制系统性能方面的要求愈发严格，被控对象也变得更为复杂，非线性和其他不确定因素的同时存在，传统的控制方法想要处理这类问题比较困难。神经网络具有很强的学习能力、适应能力和任意非线性函数的逼近能力，它的出现使得非线性系统以及相关的问题有了新的解决办法。
1.2.2 神经网络研究的意义
人工智能的技术及其使用已经应用于很多领域并且解决了众多问题，取得了很多重要的成就。神经网络是由单独的一个神经处理单元构成的大规模的并行处理器。神经网络在信息存储结构上采用的是并行分布形式，它的信息分布在网络所有的连接权值中[7]。神经网络的信息存储与处理在时间和空间都是并行的[11]。这使得神经网络能够自己适应样本数据，对于模糊不清、残缺不全以及模糊的数据也可以正常工作，更容易应用到现如今的领域当中，能够处理来自不同的方面的数据。神经网络优化了传统的人工智能不足的方面，包括在模式识别、非线性化信息处理方面。它以微观角度来模拟人脑，是现如今对人脑功能模拟比较成功的系统之一。神经网络的研究涉及众多领域，如信号处理、模式识别、自动控制、知识处理、运输和通信等[13]。
1.3 本课题设计方案
本文对于倒立摆系统的研究主要是进行神经网络控制倒立摆，运用人工神经网络的优势来对倒立摆进行设计仿真，该系统具有重要的工程背景。对于非线性系统控制，本文既介绍了传统的控制方法：反馈控制和模糊控制。并对其进行MATLAB仿真，在此基础上介绍基于BP神经网络的控制，同样进行仿真得出其优越性。
论文的主要工作有以下几个方面：
（1）倒立摆系统建模。介绍倒立摆系统的动力学模型，控制系统的结构，其控制要求。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/1828.html
