一、状态变量合成的三级倒立摆的模糊神经网络控制（论文文献综述）
刘贵山[1]（2020）在《倒立摆的跟踪控制及仿真研究》文中研究指明倒立摆系统是一种典型的不稳定、多变量、欠驱动、强耦合、非最小相位的非线性系统。在控制过程中,倒立摆系统可以有效的反映出控制系统的非线性、鲁棒性、镇定性、随动性等诸多问题,因此,在控制领域中经常使用倒立摆来检验新的控制方法和算法的有效性。同时,倒立摆也在航空航天、军事领域、机械系统、机器人等领域得到了广泛应用。本文首先对倒立摆系统的研究背景以及国内外发展现状进行了阐述,并介绍了倒立摆的分类及其基本结构。其次,对倒立摆系统常用的几种控制方法进行了分析,根据倒立摆系统的特点,运用拉格朗日方程法详细推导了倒立摆系统的建模过程。为实现倒立摆系统的稳定控制和跟踪控制,本文根据不同类型倒立摆系统的特征,分别为直线倒立摆、X-Z平面倒立摆和三维空间倒立摆设计了PID控制系统,并通过MATLAB/Simulink仿真验证了所设计的控制系统的可行性和有效性。同时,为了降低倒立摆PID控制系统中控制参数的整定难度,本文采用粒子群算法、混合蛙跳算法和差分进化算法三种智能优化算法分别对不同类型倒立摆控制系统中的控制参数进行了优化,并且通过仿真实验验证了经过优化后的控制系统性能得到了有效提升。另外,本文参考交流电机控制领域经常使用的级联控制方法,分别为X-Z平面倒立摆和三维空间倒立摆设计了级联控制结构。通过级联控制结构,将倒立摆控制系统分解为外部位置控制环和内部姿态控制环,并实现了时间尺度的分离,降低了倒立摆控制系统的设计难度,通过仿真实验验证了级联控制结构的有效性和优越性。最后,为了更容易的观察到控制过程中被控对象的所有自由度,帮助人们对整个系统做出更加准确的初步评估,使人们更加直观的理解动态模型的最终结果,本文使用V-Realm Builder工具绘制了三维空间倒立摆的3D虚拟现实模型,并且通过虚拟现实工具箱中的VR Sink模块建立了3D虚拟现实模型与MATLAB/Simulink模型之间的连接,最终,通过动态仿真在虚拟现实场景中展示了三维空间倒立摆跟踪控制过程。
李欣颀[2]（2019）在《环形倒立摆的自动摆起与稳定控制》文中提出本文以通过LABVIEW编程控制器实现一级环形倒立摆逆系统起摆实物实验为核心,针对环形倒立摆的自动摆起与稳定控制方法进行了研究。首先,利用拉格朗日方程建立一级、二级环形倒立摆数学模型并对其进行系统定性分析;其次,基于LQR控制方法完成环形倒立摆稳定控制仿真实验;然后,通过能量法起摆控制器实现一级环形倒立摆自动摆起实验。由于能量法起摆存在响应时间较长、多级能量不易控制等缺点,进而提出采用基于逆系统的起摆控制器;最后,通过LABVIEW编程软件实现基于逆系统控制策略的环形一级倒立摆控制实验,填补了国内逆系统控制策略在倒立摆实物实验应用上的空白。本文主要内容如下:1.在深入研究倒立摆系统结构,并广泛阅读国内外参考文献的基础上,采用拉格朗日建模法构建一级、二级环形倒立摆数学模型,并对环形倒立摆系统性能进行分析,证明环形倒立摆系统模型具有开环不稳定、可控、可观测的特点。构造LQR稳摆控制器,控制研究了环形一级、二级倒立摆系统在平衡点附近稳定性的。仿真和实验结果表明LQR控制器具有良好的控制效果,可实现倒立摆的稳摆控制。2.针对实物设备水平旋转杆存在死区,无法实现360°转动问题,提出了基于符号函数和饱和函数的能量法控制策略,完成了一级环形倒立摆自动摆起控制仿真实验。实验结果表明,本文提出的能量法起摆控制具有良好的控制效果,且最大限度的保障了设备安全使用。但是,基于能量的控制策略虽可实现倒立摆系统的自动摆起,但系统响应速度较慢,且不适于更高阶倒立摆系统。3.采用逆系统控制策略完成了环形一级倒立摆系统的自动摆起控制仿真实验,采用LABVIEW编程软件搭建倒立摆实物实验控制平台,实现了基于逆系统控制策略的环形一级倒立摆系统自动摆起与稳定控制实物实验。实验结果表明,逆系统控制策略具有响应速度快、稳定性高的优点。
刘峰[3]（2019）在《基于倒立摆的控制方法研究》文中研究指明倒立摆是一个典型的非线性、强耦合、在自然状态下绝对不稳定的系统。它可作为检验各种新型控制方法是否具有正确性的理想装置。在其控制过程中,能反映出许多控制领域中的关键问题,如鲁棒性、随动性及快速跟踪等。因此,将倒立摆作为研究控制方法的对象具有重要的理论研究意义和工程指导意义,获得成功的科研成果已被普遍应用于航空航天、机器人等领域。本文以直线二级倒立摆为控制对象,对其进行稳定性控制方法的研究,研究内容有以下几方面:1.基于倒立摆系统共有特性,从能量转换的角度运用Lagrange方程推导出倒立摆的数学模型;基于现代控制理论对倒立摆进行定性分析,分析结果为倒立摆是一个能控能观的系统。2.研究最优控制方法、变结构控制方法以及模糊控制方法对倒立摆系统的控制。使用最优控制方法控制倒立摆系统时,采用遗传算法寻优加权矩阵中的元素,简化参数的寻优过程;使用变结构控制方法控制倒立摆系统时,通过改进趋近律来削弱系统抖振,从而增强系统的稳定性;使用模糊控制方法控制倒立摆系统时,针对“规则爆炸”问题,运用最佳反馈状态矩阵设计含有降维矩阵的二维模糊控制器,并且通过遗传算法对模糊控制器的参数因子、隶属函数以及控制规则进行优化。在Simulink软件中使用这三种控制方法进行倒立摆控制仿真,均得到了很好的控制结果。3.使用这三种控制方法进行倒立摆实物控制实验,并在实验过程中加入适当的扰动,控制实验结果显示模糊控制方法的上摆杆稳态误差最小,变结构控制的最大;上摆杆受到干扰后重新恢复稳态,变结构控制所用的调整时间最短,最优控制方法的最长。通过控制实验结果的对比分析得到最优控制具有很好的控制精度但快速性和抗干扰能力较差,变结构控制抗干扰能力最强但控制精度最差,而模糊控制同时兼顾系统的控制精度和快速性,体现出智能控制的优越性。通过倒立摆控制方法的研究,发现每一种控制方法都具有自身的优劣势,但模糊控制方法的优势更明显,利用优化算法提高模糊控制的精度来得到更好的控制效果会是一种发展控制理论和控制方法的很好途径。在控制系统的设计时,只有综合考虑系统的各方面性能,才能获得最佳控制器。
刘畅[4]（2018）在《倒立摆模糊神经网络控制器差分进化算法优化设计》文中研究指明倒立摆系统是一种典型的被控模型,具有欠冗余、高阶次、多状态、不稳定的特点,是检验控制方法有效性的一种重要工具,对其控制方法的研究具有十分深刻的理论与应用意义。从倒立摆系统诞生以来,对其控制方法的研究几乎囊括了大部分的已有控制理论方法。随着人工智能技术的蓬勃发展,以神经网络、进化算法为代表的智能控制理论已经逐渐成为控制领域的重要研究方向。本文以三级倒立摆系统为研究对象,分析了其自身的结构特点和组成,通过数学模型对该系统的特点进行了定性分析。针对三级倒立摆系统在数学建模中存在误差以及自适应控制器设计这两个问题,采用模糊神经网络与差分进化算法进行了系统辨识器与系统控制器的设计,具体工作内容如下:（1）使用模糊神经网络设计了一种三级倒立摆的系统辨识器,辨识器使用多个模糊神经网络组合构建,避免了维数爆炸问题。在MATLAB中自行构建了该神经网络辨识器的函数模型。利用三级倒立摆系统的输入输出数据样本对模糊神经网络辨识器进行训练,得到了系统的模糊神经网络辨识模型。（2）针对数学建模存在误差以及模糊神经网络易陷入局部最优的问题,提出一种使用差分进化算法优化模糊神经网络对倒立摆系统进行自适应控制的策略,并在此基础上通过两种不同的三级倒立摆状态空间方程进行优化控制仿真,实验结果显示使用该控制策略能够在系统初始建模存在误差的条件下实现三级倒立摆系统的稳定控制。（3）本文从三个方面着手对差分进化算法进行改进。提出一种动态分类差分进化算法,该算法采用动态多种群分类变异的方法,使算法在全局搜索和局部寻优之间得到了较好的平衡。最后使用该算法优化模糊神经网络控制器进行仿真,结果表明算法在搜索能力与收敛速度上相比传统差分进化算法有了明显提升,模糊神经网络控制器达到了较为理想的效果。
祁虔[5]（2017）在《自校正仿人智能控制器及其在等摆长倒立摆系统中的应用》文中研究表明如何让双足机器人象人一样奔跑起来,一直以来是科技工作者们持续研究的热点和难点。以人类的奔跑动作为例,它包含了单足倒立稳定问题,双足倒立稳定问题,人体姿态控制问题和人体平衡态的破坏与重建问题。人体的脚关节、膝关节、髋关节等关节相当于倒立摆的摆杆连接点,人体各关节之间的骨骼相当于倒立摆的各级摆杆,可见多级倒立摆就是人体奔跑运动的物理模型,其倒立平衡问题的本质与双足机器人奔跑问题的本质一致。不仅如此,等摆长多级倒立摆系统也是火箭发射、机械臂和自平衡小车等系统的物理原型,它们的运动规律和控制机理具有高度相似性。同时因本文使用的多级倒立摆为等摆长配置,较内短外长型摆长配置具有更强烈的非线性、耦合性和自不稳定性,使得等摆长多级倒立摆的研究具有相当的挑战性和趣味性。因此本文选用等摆长三级倒立摆作为研究平台,旨在研究双足机器人等类人形机器人快速奔跑起来的平衡本质,同时为体操机器人、自由连杆、机械臂等复杂系统的运动控制提供一个新方法、新框架和新角度。现有的多级倒立摆控制方法普遍存在稳摆初始条件狭窄的问题,体现在对人提摆的要求特别严苛,间接说明了现有控制方法的抗干扰性和鲁棒性有待提高。对此本文以“在较大初始条件下实现等摆长三级倒立摆稳摆控制,且提出的控制方法应具有较强抗干扰性,鲁棒性和广泛适用性”为研究目标,并将其分解成三个关键问题:（1）扩大等摆长三级倒立摆稳摆初始条件区间;（2）有效滤除等摆长三级倒立摆系统测量噪音;（3）进一步划分等摆长三级倒立摆非线性区域,形成最终解决方案。针对研究目标和拟解决的三个问题,开展的具体工作如下:首先,利用拉格朗日原理建立了等摆长二级倒立摆和等摆长三级倒立摆的非线性微分方程组并进行参数辨识,通过线性化,得到其垂直向上位置的线性状态空间表达式,为后续控制方案的分析和设计奠定基础。接着,针对等摆长多级倒立摆稳摆控制初始条件区间狭窄的问题,在相平面上划分出线性区和非线性区,提出滞环模糊自校正仿人智能控制器,仿真和实时实验证实该控制器可有效扩展等摆长多级倒立摆的初始条件区间。然后,针对倒立摆系统噪音污染问题,提出一种改进型卡尔曼滤波器,将稳态卡尔曼滤波技术和渐消记忆法结合起来,形成一种设计稳态卡尔曼滤波器增益矩阵的方法,既满足运动控制对实时性的较高要求,又能克服滤波器的模型误差,仿真和实时实验证实该方法可有效滤除测量噪音,减小各级摆杆的随机抖动。最后,针对等摆长多级倒立摆非线性区域较大的问题,在相平面上自然延长线性区域的分界线,从而将整个相平面细分为九个区域,在不同区域实施参数不同的PD控制,形成了九点PD控制器,再将滞环结构自校正机制与九点PD控制器结合起来,提出滞环九点自校正仿人智能控制器,联合改进型卡尔曼滤波器形成等摆长三级倒立摆综合控制方案,实现了等摆长三级倒立摆的实时控制,使稳摆初始条件区间扩大到正负10度,并首次在控制参数不变的情况下实现了不同摆长配置的三级倒立摆的稳摆控制。实验证实该方案具有较强抗干扰性、鲁棒性和广泛的适用性。
郝爽[6]（2016）在《三级倒立摆的RBF-ARX建模与云推理控制器设计》文中提出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。
张碧波[7]（2015）在《基于模糊控制的三级倒立摆系统的控制器设计》文中研究说明倒立摆系统是一个典型的多变量、非线性、强耦合和快速运动的自然不稳定高阶系统。在控制过程中,倒立摆系统能够有效反映控制中的许多问题,诸如非线性问题、鲁棒性问题、随动问题、镇定问题以及跟踪问题等,所以可将倒立摆系统作为一个被控系统用于验证某一理论的正确性及实际应用中的可行性。本文主要采用模糊控制、自适应神经网络模糊控制等方法针对倒立摆系统进行控制器的设计。首先,介绍了倒立摆系统的控制规律和运动模态,在此基础上建立了它的数学模型。对数学模型在平衡点附近对系统进行了线性化处理,得到了系统的线性化模型,并对系统的稳定性和能控性进行了分析。在利用模糊控制理论对倒立摆系统进行稳定控制时,往往会出现规则爆炸的问题,为此本文提出了融合函数的概念,利用这个函数可以大大简化模糊控制器的复杂程度。设计了一种并联的模糊控制器,增强对小车位移的控制。此外,还提出了一种新的智能控制方法,这种控制方法将最优控制、模糊控制、神经网络和自适应方法充分结合在一起。首先利用最优控制对倒立摆系统的多个输入变量进行综合,减小输入变量的个数;再采用BP算法与梯度下降法结合的混合算法利用已经获得的客观输入输出数据组对模糊控制器的隶属函数形状和控制规则进行修正,提出一种基于自适应神经网络的模糊推理系统来对倒立摆系统进行建模和仿真。仿真结果表明,基于这种方法的倒立摆控制系统具有很好的鲁棒性,它的控制效果优于一般的模糊控制器。
王玲琳[8]（2013）在《学习控制算法设计及倒立摆控制实现》文中研究指明学习控制算法来源于人类的学习过程,为了解决被控对象的非线性和系统建模不完善所造成的未知量不确定性问题,可用该算法降低这种缺乏必要的先验知识给系统控制带来的困难。倒立摆是具有非线性不稳定平衡特性的控制对象,可用于为各种控制算法提供验证测试,用以检验算法控制性能以及各种性质。论文研究了Q--学习算法并用于实现对倒立摆稳摆控制,并对算法进行改进,提高了算法的控制效果。运用LQR--模糊控制算法对二级、三级倒立摆实现了稳摆控制。论文主要完成以下工作：1.采用Q-学习算法对线性一级倒立摆进行稳摆控制,研究该算法用于倒立摆的控制规律,经分析算法的实验结果,指出算法存在的问题。2.将Q-学习算法与BP神经网络相结合,用于优化Q学习算法参数。应用该算法对线性一级倒立摆实现稳摆控制。3.讨论双轮机器人模型,建模后与一级倒立摆模型相同,可将优化的Q-学习算法用于双轮机器人平衡控制。4.设计LQR-模糊控制算法用于二级直线倒立摆和三级直线倒立摆的稳摆控制,并进行实验验证。5.总结论文工作,提出不足以及下步工作的展望。
张秀玲,田力勇,李晓辉[9]（2012）在《基于PSO-SA的二级倒立摆前馈补偿模糊神经网络控制》文中提出以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的"规则爆炸"问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。
张秀玲,田力勇,张少宇[10]（2011）在《三级倒立摆的T-S型前馈补偿模糊神经网络控制》文中进行了进一步梳理为解决T akag i-Sugeno型模糊神经网络在控制多变量系统时的规则组合爆炸问题,提出一种误差前馈补偿的模糊神经网络控制方案,有效实现了三级倒立摆的稳定控制。该控制方案适用对状态变量可按性质和重要程度划分的多变量系统的控制,大大减少了模糊神经网络控制器的规则数,有利于利用专家的控制经验,具有良好的鲁棒性和非线性适应能力。
二、状态变量合成的三级倒立摆的模糊神经网络控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、状态变量合成的三级倒立摆的模糊神经网络控制（论文提纲范文）
（1）倒立摆的跟踪控制及仿真研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 倒立摆的研究背景与意义 |
| 1.2 倒立摆的研究现状 |
| 1.3 倒立摆系统概述 |
| 1.3.1 倒立摆系统的组成 |
| 1.3.2 倒立摆的分类 |
| 1.3.3 倒立摆系统的工作原理 |
| 1.3.4 倒立摆系统的建模方法 |
| 1.3.5 倒立摆系统的控制方法 |
| 1.4 本文的主要内容及安排 |
| 第2章 倒立摆系统的建模 |
| 2.1 引言 |
| 2.2 直线倒立摆建模 |
| 2.2.1 直线倒立摆数学模型的建立 |
| 2.2.2 直线倒立摆MATLAB/Simulink模型的搭建 |
| 2.3 X-Z平面倒立摆建模 |
| 2.3.1 X-Z平面倒立摆数学模型的建立 |
| 2.3.2 X-Z平面倒立摆MATLAB/Simulink模型的搭建 |
| 2.4 三维空间倒立摆建模 |
| 2.4.1 三维空间倒立摆数学模型的建立 |
| 2.4.2 三维空间倒立摆MATLAB/Simulink模型的搭建 |
| 2.5 本章小结 |
| 第3章 倒立摆的PID控制器设计与优化 |
| 3.1 引言 |
| 3.2 倒立摆系统的PID控制器设计 |
| 3.2.1 PID控制器简介 |
| 3.2.2 直线倒立摆的PID控制器设计与仿真 |
| 3.2.3 X-Z平面倒立摆的PID控制器设计与仿真 |
| 3.2.4 三维空间倒立摆PID控制器设计与仿真 |
| 3.3 基于PSO优化算法的PID控制器设计 |
| 3.3.1 PSO算法简介 |
| 3.3.2 直线倒立摆PSO参数优化控制 |
| 3.3.3 X-Z平面倒立摆PSO参数优化控制 |
| 3.3.4 三维空间倒立摆PSO参数优化控制 |
| 3.4 基于SFLA优化算法的PID控制器设计 |
| 3.4.1 SFLA算法简介 |
| 3.4.2 SFLA算法的数学模型 |
| 3.4.3 直线倒立摆SFLA参数优化控制 |
| 3.4.4 X-Z平面倒立摆SFLA参数优化控制 |
| 3.4.5 三维空间倒立摆SFLA参数优化控制 |
| 3.5 基于DE优化算法的PID控制器设计 |
| 3.5.1 DE算法简介 |
| 3.5.2 直线倒立摆DE算法参数优化控制 |
| 3.5.3 X-Z平面倒立摆DE算法参数优化控制 |
| 3.5.4 三维空间倒立摆DE算法参数优化控制 |
| 3.6 本章小结 |
| 第4章 倒立摆级联控制设计与仿真 |
| 4.1 引言 |
| 4.2 倒立摆的级联控制结构简介 |
| 4.3 X-Z倒立摆的级联控制设计 |
| 4.4 三维空间倒立摆的级联控制设计 |
| 4.5 本章小结 |
| 第5章 倒立摆系统3D虚拟现实仿真 |
| 5.1 引言 |
| 5.2 V-Realm Builder简介 |
| 5.3 绘制三维空间倒立摆VR模型 |
| 5.4 三维空间倒立摆3D Simulink模型的建立与仿真 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）环形倒立摆的自动摆起与稳定控制（论文提纲范文）
| 中文摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 倒立摆系统研究背景及意义 |
| 1.2 倒立摆系统的分类 |
| 1.3 国内外倒立摆系统研究现状 |
| 1.3.1 倒立摆系统的稳定控制 |
| 1.3.2 倒立摆系统的自动摆起控制 |
| 1.4 倒立摆系统的控制方法及存在问题 |
| 1.5 本文研究的主要内容 |
| 第2章 倒立摆系统数学模型与分析 |
| 2.1 拉格朗日方程及其特点 |
| 2.2 环形倒立摆的数学模型 |
| 2.2.1 一级环形倒立摆数学模型 |
| 2.2.2 二级环形倒立摆数学模型 |
| 2.3 系统特性分析 |
| 2.3.1 系统能控性和能观性 |
| 2.3.2 系统稳定性 |
| 2.4 环形倒立摆系统线性化及定性分析 |
| 2.4.1 一级环形倒立摆系统的线性化及定性分析 |
| 2.4.2 二级环形倒立摆系统的线性化及定性分析 |
| 2.5 本章小结 |
| 第3章 环形倒立摆稳定控制 |
| 3.1 LQR控制方法 |
| 3.2 LQR控制器设计思路 |
| 3.3 仿真实验 |
| 3.3.1 环形一级倒立摆控制器仿真 |
| 3.3.2 环形二级倒立摆控制器仿真 |
| 3.4 本章小结 |
| 第4章 环形倒立摆摆起控制 |
| 4.1 能量法控制策略 |
| 4.1.1 一般能量控制策略 |
| 4.1.2 饱和函数能量法控制策略 |
| 4.1.3 能量法仿真实验 |
| 4.2 逆系统控制策略 |
| 4.2.1 系统的可逆性与逆系统 |
| 4.2.2 常微分方程边值求解 |
| 4.2.3 逆系统前馈控制 |
| 4.2.4 逆系统反馈控制 |
| 4.2.5 一级环形倒立摆逆系统仿真实验 |
| 4.2.6 二级环形倒立摆逆系统仿真实验 |
| 4.3 本章小结 |
| 第5章 倒立摆系统实物实验 |
| 5.1 倒立摆系统硬件结构 |
| 5.2 控制系统软件 |
| 5.3 能量法一级环形倒立摆系统自动摆起实物实验 |
| 5.4 逆系统一级环形倒立摆系统自动摆起实物实验 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 申请学位期间的研究成果及发表的学术论文 |
| 附录Ⅰ 倒立摆系统物理参数 |
（3）基于倒立摆的控制方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 倒立摆系统的研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究内容 |
| 1.3.1 本文主要内容 |
| 1.3.2 本文章节安排 |
| 第二章 倒立摆系统的建模及分析 |
| 2.1 倒立摆系统的特性 |
| 2.2 倒立摆系统的数学建模 |
| 2.3 倒立摆系统的分析 |
| 2.3.1 稳定性和能控能观性判定定理简介 |
| 2.3.2 倒立摆系统的分析 |
| 2.4 倒立摆系统模型的搭建 |
| 2.4.1 线性模型的搭建 |
| 2.4.2 非线性模型的搭建 |
| 2.5 本章小结 |
| 第三章 线性二次最优控制方法研究 |
| 3.1 线性二次最优控制基本原理 |
| 3.2 加权矩阵的选取 |
| 3.2.1 利用试凑法寻优加权矩阵 |
| 3.2.2 利用遗传算法寻优加权矩阵 |
| 3.3 本章小结 |
| 第四章 变结构控制方法研究 |
| 4.1 变结构控制基本原理 |
| 4.1.1 变结构控制的概念 |
| 4.1.2 变结构控制的品质 |
| 4.1.3 变结构控制的不变性 |
| 4.1.4 变结构控制的稳定性 |
| 4.2 变结构的抖振问题 |
| 4.2.1 抖振产生的原因 |
| 4.2.2 抖振削弱的方法 |
| 4.3 变结构控制器的设计 |
| 4.3.1 切换函数的设计 |
| 4.3.2 趋近律的设计 |
| 4.3.3 变结构控制系统的仿真 |
| 4.4 本章小结 |
| 第五章 模糊控制方法研究 |
| 5.1 模糊控制基本原理 |
| 5.1.1 模糊控制系统组成 |
| 5.1.2 模糊控制器设计的步骤 |
| 5.1.3 模糊控制的特点 |
| 5.2 模糊控制器的设计 |
| 5.2.1 状态变量的降维处理 |
| 5.2.2 隶属度函数 |
| 5.2.3 模糊规则 |
| 5.2.4 模糊推理 |
| 5.2.5 清晰化 |
| 5.3 模糊控制器中量化因子和比例因子的选取 |
| 5.3.1 量化因子和比例因子 |
| 5.3.2 量化因子和比例因子对模糊控制的影响 |
| 5.4 变论域模糊控制器的设计 |
| 5.4.1 变论域模糊控制基本原理 |
| 5.4.2 伸缩因子的选取 |
| 5.4.3 伸缩因子的仿真 |
| 5.5 利用遗传算法优化模糊控制器参数 |
| 5.5.1 利用遗传算法优化量化因子和比例因子 |
| 5.5.2 利用遗传算法优化隶属函数和模糊规则 |
| 5.6 本章小结 |
| 第六章 倒立摆系统的实物控制 |
| 6.1 倒立摆实物系统简介 |
| 6.1.1 倒立摆系统硬件 |
| 6.1.2 倒立摆系统软件 |
| 6.2 倒立摆的实物控制 |
| 6.2.1 基于遗传算法优化的最优控制方法实物控制 |
| 6.2.2 变结构控制方法实物控制 |
| 6.2.3 基于遗传算法优化的模糊控制方法实物控制 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）倒立摆模糊神经网络控制器差分进化算法优化设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景及意义 |
| 1.1.1 倒立摆系统的研究意义 |
| 1.1.2 倒立摆系统的分类 |
| 1.2 传统控制理论发展历史及其在倒立摆系统上的研究现状 |
| 1.2.1 传统控制理论发展历史 |
| 1.2.2 传统控制算法在倒立摆系统上的研究现状 |
| 1.3 智能控制发展现状及其在倒立摆系统上的研究现状 |
| 1.3.1 智能控制的发展历史 |
| 1.3.2 智能控制的研究现状 |
| 1.3.3 智能控制在倒立摆系统上的研究现状 |
| 1.4 倒立摆系统研究的发展趋势 |
| 1.5 本文研究的主要内容 |
| 参考文献 |
| 第二章 倒立摆系统的数学模型与分析 |
| 2.1 倒立摆系统的特点 |
| 2.2 直线三级倒立摆的数学模型 |
| 2.2.1 直线三级倒立摆的拉格朗日法模型 |
| 2.2.2 系统的状态空间方程的建立 |
| 2.3 直线三级倒立摆系统的特性分析 |
| 2.3.1 系统能控性和能观性 |
| 2.3.2 系统稳定性 |
| 2.4 三级倒立摆系统的线性二次型调节器控制 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 基于模糊神经网络的倒立摆系统辨识 |
| 3.1 模糊逻辑控制理论 |
| 3.1.1 模糊逻辑的基本概念 |
| 3.1.2 模糊控制系统的基本结构 |
| 3.2 模糊神经网络 |
| 3.3 基于模糊神经网络的三级倒立摆系统辨识器 |
| 3.4 仿真结果 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于差分进化算法优化的模糊神经网络控制器 |
| 4.1 差分进化算法的基本流程 |
| 4.2 基于差分进化算法优化的模糊神经网络控制策略 |
| 4.3 仿真结果 |
| 4.4 本章小结 |
| 参考文献 |
| 第五章 基于动态差分进化算法优化的模糊神经网络控制器 |
| 5.1 传统差分进化算法存在的问题 |
| 5.2 动态分类差分进化算法 |
| 5.2.1 均匀分布初始种群 |
| 5.2.2 动态种群分组变异以及三个改进的变异算子 |
| 5.2.3 算法参数的自适应调整 |
| 5.3 基于DCADE算法的优化仿真 |
| 5.4 本章小结 |
| 参考文献 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 未来展望 |
| 致谢 |
| 附录 硕士期间科研成果 |
（5）自校正仿人智能控制器及其在等摆长倒立摆系统中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究意义 |
| 1.2 倒立摆系统研究现状分析 |
| 1.3 仿人智能控制现状分析 |
| 1.4 研究目标和拟解决的关键问题 |
| 1.5 本文的主要研究工作 |
| 1.6 小结 |
| 2 等摆长多级倒立摆系统描述与建模 |
| 2.1 多级倒立摆系统的等摆长配置 |
| 2.2 等摆长二级倒立摆系统建模 |
| 2.3 等摆长三级倒立摆加速度控制模型 |
| 2.4 等摆长三级倒立摆力控制模型 |
| 2.5 小结 |
| 3 滞环模糊自校正仿人智能控制器及在多级倒立摆中的应用 |
| 3.1 仿人智能控制器的原型算法 |
| 3.2 仿人智能控制器的分层递阶结构 |
| 3.3 仿人智能控制器的动觉智能图示 |
| 3.4 滞环结构和步进式结构自校正机制 |
| 3.5 自校正模糊PD |
| 3.6 多级倒立摆的滞环模糊自校正仿人智能控制方案 |
| 3.7 滞环模糊自校正仿人智能控制器设计 |
| 3.8 等摆长二级倒立摆仿真对比实验 |
| 3.9 等摆长二级倒立摆实时控制对比实验 |
| 3.10 等摆长三级倒立摆仿真对比实验 |
| 3.11 小结 |
| 4 改进型卡尔曼滤波器及其在多级倒立摆中的应用 |
| 4.1 经典卡尔曼滤波器 |
| 4.2 模型失配与渐消记忆法 |
| 4.3 改进型卡尔曼滤波器 |
| 4.4 等摆长多级倒立摆中的噪音危害与滤波方案 |
| 4.5 等摆长二级倒立摆实时滤波实验 |
| 4.6 等摆长三级倒立摆滤波仿真对比实验 |
| 4.7 小结 |
| 5 滞环九点自校正仿人智能控制器及在多级倒立摆中的应用 |
| 5.1 基本型九点控制器 |
| 5.2 九点PD控制器 |
| 5.3 滞环九点自校正仿人智能控制器 |
| 5.4 一级倒立摆的基本型九点控制器方案 |
| 5.5 等摆长三级倒立摆综合控制方案 |
| 5.6 等摆长三级倒立摆综合控制方案仿真实验 |
| 5.7 等摆长三级倒立摆综合控制方案实时实验 |
| 5.8 综合控制方案鲁棒性实验 |
| 5.9 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录: |
（6）三级倒立摆的RBF-ARX建模与云推理控制器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 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 |
| 2.1.1 RBF-ARX的结构与特点 |
| 2.1.2 SNPOM优化过程及不足 |
| 2.2 改进的RBF-ARX模型GA优化 |
| 2.2.1 GA基本流程 |
| 2.2.2 GA-RBF-ARX优化实现 |
| 2.3 三级倒立摆的GA-RBF-ARX建模与仿真 |
| 2.3.1 三级倒立摆的结构与参数 |
| 2.3.2 三级倒立摆的GA-RBF-ARX建模设计 |
| 2.3.3 三级倒立摆的GA-RBF-ARX建模仿真研究 |
| 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 |
| 3.2.1 改进的遗传算法—云遗传算法(CGA) |
| 3.2.2 三级倒立摆的控制系统设计 |
| 3.3 T-S模糊神经网络控制系统仿真对比研究 |
| 3.3.1 GA优化的T-S模糊神经网络控制系统仿真 |
| 3.3.2 CGA优化的T-S模糊神经网络控制系统仿真 |
| 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 |
（7）基于模糊控制的三级倒立摆系统的控制器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的目的和意义 |
| 1.3 国内外发展现状 |
| 1.4 本章小结 |
| 第2章 预备知识 |
| 2.1 模糊控制理论概况 |
| 2.2 模糊控制器的设计概述 |
| 2.3 隶属函数 |
| 2.4 模糊化与反模糊化 |
| 2.4.1 模糊化 |
| 2.4.2 反模糊化 |
| 2.5 模糊控制规则和模糊推理 |
| 2.5.1 模糊控制规则 |
| 2.5.2 模糊推理 |
| 2.6 模糊神经网络理论 |
| 2.6.1 模糊推理和神经网络结合的优势 |
| 2.6.2 模糊推理与神经网络结合的形式 |
| 2.7 自适应神经网络模糊推理系统概述 |
| 2.7.1 ANFIS结构 |
| 2.7.2 ANFIS的参数调节 |
| 2.7.3 ANFIS混合学习算法 |
| 2.7.4 ANFIS的约束 |
| 2.8 本章小结 |
| 第3章 倒立摆系统建模 |
| 3.1 三级倒立摆的数学模型 |
| 3.2 系统的数学模型的线性化 |
| 3.3 本章小结 |
| 第4章 三级倒立摆系统的最优控制器设计 |
| 4.1 最优控制理论简介 |
| 4.2 三级倒立摆系统性能分析 |
| 4.2.1 系统的稳定性分析 |
| 4.2.2 能控性和能观性分析 |
| 4.3 线性二次型最优调节器原理 |
| 4.4 三级倒立摆LQR控制仿真 |
| 4.5 本章小结 |
| 第5章 三级倒立摆系统的模糊控制器设计 |
| 5.1 最优状态变量合成系统设计 |
| 5.2 三级倒立摆系统的模糊控制器设计 |
| 5.2.1 隶属度函数 |
| 5.2.2 清晰化 |
| 5.3 基于模糊控制器的三级倒立摆系统的仿真及分析 |
| 5.5 并联Mamdani型模糊控制器 |
| 5.6 自适应神经网络模糊控制在倒立摆系统中的应用 |
| 5.6.1 综合系数的设计 |
| 5.6.2 样本数据的选取 |
| 5.6.3 ANFIS模糊推理系统的建立 |
| 5.6.4 ANFIS模糊模型的参数调整 |
| 5.7 基于ANFIS的三级倒立摆系统仿真 |
| 5.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（8）学习控制算法设计及倒立摆控制实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 学习控制算法简介 |
| 1.1.1 强化学习算法 |
| 1.1.2 LQR——模糊控制算法 |
| 1.2 倒立摆系统 |
| 1.2.1 国内外现状 |
| 1.2.2 主要控制方法 |
| 1.3 双轮机器人 |
| 1.4 论文的内容安排 |
| 第二章 直线多级倒立摆及应用建模 |
| 2.1 直线倒立摆的系统建模 |
| 2.1.1 直线一级倒立摆的建模 |
| 2.1.2 直线二级倒立摆的建模 |
| 2.1.3 直线三级倒立摆建模 |
| 2.2 直线倒立摆定量分析 |
| 2.2.1 直线一级摆定量分析 |
| 2.2.2 直线二级摆定量分析 |
| 2.2.3 直线三级摆定量分析 |
| 2.3 双轮机器人的系统建模 |
| 2.4 本章小结 |
| 第三章 倒立摆实验平台系统 |
| 3.1 倒立摆系统硬件平台 |
| 3.2 倒立摆平台的软件环境 |
| 3.3 本章小结 |
| 第四章 强化学习控制算法及其应用研究 |
| 4.1 强化学习算法 |
| 4.1.1 概述 |
| 4.1.2 强化学习算法Q-学习的原理 |
| 4.2 直线一级倒立摆的强化学习控制 |
| 4.2.1 Q-学习算法在一级倒立摆中的应用 |
| 4.2.2 强化学习算法与仿真步骤 |
| 4.2.3 实验结果与分析 |
| 4.3 改进的Q-学习算法在一级倒立摆中的应用 |
| 4.3.1 结合BP神经网络的Q--学习算法原理与步骤 |
| 4.3.2 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 LQR—模糊控制算法 |
| 5.1 关于LQR—模糊控制算法 |
| 5.1.1 LQR—模糊控制算法概述 |
| 5.1.2 LQR—模糊控制算法原理 |
| 5.2 LQR—模糊控制算法在二级倒立摆中应用 |
| 5.2.1 LQR—模糊控制算法在二级倒立摆中应用 |
| 5.2.2 仿真结果与分析 |
| 5.3 LQR—模糊控制算法在三级倒立摆中的应用 |
| 5.3.1 LQR—模糊控制算法在三级倒立摆中的应用 |
| 5.3.2 仿真结果与分析 |
| 5.4 本章小结 |
| 第六章 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 读研期间发表的论文 |
| 读研期间参加的科研项目 |
（9）基于PSO-SA的二级倒立摆前馈补偿模糊神经网络控制（论文提纲范文）
| 1 二级倒立摆系统结构 |
| 2 两种模糊神经网络控制策略比较 |
| 2.1 基于状态变量合成的FNN控制策略 |
| 2.2 误差前馈补偿的FNN控制策略 |
| 3 基于PSO-SA的参数寻优 |
| 4 仿真实验 |
| 5 结论 |
（10）三级倒立摆的T-S型前馈补偿模糊神经网络控制（论文提纲范文）
| 1 三级倒立摆的数学模型 |
| 2 误差前馈补偿的模糊神经网络控制器设计 |
| 2.1 控制器的结构设计 |
| 2.2 控制器的参数寻优 |
| 3 仿真实验 |
| 4 结论 |
四、状态变量合成的三级倒立摆的模糊神经网络控制（论文参考文献）
- [1]倒立摆的跟踪控制及仿真研究[D]. 刘贵山. 杭州电子科技大学, 2020(01)
- [2]环形倒立摆的自动摆起与稳定控制[D]. 李欣颀. 天津职业技术师范大学, 2019(06)
- [3]基于倒立摆的控制方法研究[D]. 刘峰. 西安电子科技大学, 2019(02)
- [4]倒立摆模糊神经网络控制器差分进化算法优化设计[D]. 刘畅. 厦门大学, 2018(07)
- [5]自校正仿人智能控制器及其在等摆长倒立摆系统中的应用[D]. 祁虔. 重庆大学, 2017(06)
- [6]三级倒立摆的RBF-ARX建模与云推理控制器设计[D]. 郝爽. 燕山大学, 2016(02)
- [7]基于模糊控制的三级倒立摆系统的控制器设计[D]. 张碧波. 河北科技大学, 2015(03)
- [8]学习控制算法设计及倒立摆控制实现[D]. 王玲琳. 内蒙古大学, 2013(01)
- [9]基于PSO-SA的二级倒立摆前馈补偿模糊神经网络控制[J]. 张秀玲,田力勇,李晓辉. 山东科技大学学报(自然科学版), 2012(02)
- [10]三级倒立摆的T-S型前馈补偿模糊神经网络控制[J]. 张秀玲,田力勇,张少宇. 模糊系统与数学, 2011(04)