模糊控制的NN方法研究
近年来,控制对象的复杂程度在不断增加,同时人们对控制效果的要求不断提高,这两者之间产生了尖锐的矛盾。控制对象复杂程度的不断增加,意味着建立被控对象精确的数学模型是越来越困难。经典控制理论和现代控制理论正是依赖于被控对象的数学模型,并且当调整好控制系统各项参数后,如果被控对象的数学模型由于外界或自身因素而改变,这一套参数可能就无法满足控制要求。 智能控制三大方法:模糊控制、神经网络、专家控制,其最大的特点是不依赖于被控对象的数学模型,这样就解决了前面所提到的依赖于被控对象数学模型的问题。对于越愈复杂的现代控制系统,专家知识也是很有限的,因此模糊控制和神经网络控制的地位就显得突出和重要。模糊控制和神经网络都有其自身的优缺点,将两者结合,正好达到了互补的效果。 论文的重点是模糊神经网络结构、离线算法和在线自适应算法;基于MATLAB的模糊神经网络控制系统仿真和基于DSP的模糊神经网络控制系统实现方法讨论;并选用了TMS320LC/LF2407作为DSP实现方法讨论的载体。 仿真过程中,主要着重于训练样本的采集和处理,两种学习算法的实现;阶跃输入和带干扰信号的阶跃输入时的控制效果,被控对象模型发生变化时的控制效果,以及模糊神经网络在线自适应的实现。DSP实现讨论部分着重于硬件实现和软件实现(A/D转换、D/A转换以及其它子程序的编写和调试)。最终完全实现模糊神经网络控制系统的仿真;完成基于DSP的模糊神经网络控制系统部分子程序的编写和调试。仿真结果表明模糊神经网络控制具有较好的鲁棒性,控制效果也能够达到要求。算法
- 作者:
- 陈晓红
- 学位授予单位:
- 贵州大学
- 专业名称:
- 控制理论与控制工程
- 授予学位:
- 硕士
- 学位年度:
- 2007年
- 导师姓名:
- 谢宗安;文方
- 中图分类号:
- TP273.4;TP183
- 关键词:
- 模糊控制;神经网络;数字信号处理器;学习算法
- Fuzzy control;neural network;fuzzy-neural network;Digital Signal Processing (DSP);study arithmetic