分享到:

自适应模糊与CMAC并行的机器人力/位置控制

1引言机器人在执行装配、抛光等任务时,要求其末端既要沿工作环境作理想的轨迹运动,又要对工作环境施加一定的力。这就需要对位置和力同时进行控制,位置/力混合控制是常用的一种方法。所谓的位置/力混合控制是指利用接触力和位置运动正交的特点,分别对位置和力进行控制,即沿机器人位置运动受限方向控制接触力,而沿位置运动非受限方向控制位置。Raibert和Craig于1981年首次提出了机器人力/位置混合控制方案,并取得了较好的试验效果。自此以后,多位学者对控制方案进行了改进和完善[1,2]。但是,迄今为止,机器人力/位置控制仍需要做进一步研究,来进一步提高机器人的控制质量。针对这一情况,本文提出对力控制回路采用自适应模糊控制与CMAC并行控制的方法来改善机器人的控制性能,仿真结果表明:系统的动静态性能、自适应性均得到显著改善。2控制系统的设计1)自适应模糊的设计对于模糊控制系统来说,建立合适的模糊控制规则,使控制系统具有良好的控制性能和自适应...  (本文共3页) 阅读全文>>

《微计算机信息》2006年05期
微计算机信息

基于FPGA的模糊CMAC网络的硬件实现

1引言在非线性动态系统的在线辨识中,由于实时性的要求,常规的递推辨识算法和卡尔曼滤波等串行算法难以达到预期效果。自从Albus提出一种模拟小脑学习机构的小脑模型关节控制器CMAC(CerebellarModel Articulation Controllers)以来,CMAC以其局部泛化和收敛速度的优势得到广泛关注,迄今已广泛用于函数逼近、模式识别与机器人控制等领域。但随着CMAC维数的增加,其权存储空间将呈几何级数增加,这给该算法的硬件实现增加了难度,在一定程度上也阻碍了其实际应用。模糊CMAC(Fuzzy CMAC)将模糊逻辑引入CMAC网络,它结合了神经网络具有学习能力和模糊逻辑长于表达近似与定性知识的优点,不仅具有CMAC的优点,而且存储空间小、学习精度高、可以连续量输入、无需量化、避免了CMAC网络的哈稀映射对权值收敛的影响。近年来,关于模糊CMAC网络已有一定的研究,但仅停留在软件仿真,基于硬件实现尚无报道,这成为了...  (本文共3页) 阅读全文>>

《系统仿真学报》2006年07期
系统仿真学报

一种快速收敛的核CMAC神经网络模型

引言1小脑模型关节控制器(CMAC)是一种特殊的前馈型神经网络[1],有较快的收敛性和局部泛化性能,以及结构易于硬件实现等显著特性,从而得到广泛的关注[2-3]。虽然其网络的收敛速度快于BP网络,但常规的CMAC仍然需要多个周期才能达到一定的精度[4-5],对于在线学习来说,仍难满足其快速性的要求,对此提出了不少改进模型[6-8]。文献[9-11]将模糊集引入CMAC中,提出了一种模糊CMAC算法,省去了CMAC离散、量化、编码、HASHING映射等运算,提高了网络的学习精度和学习速度。但收敛速度仍无法满足实时在线应用的要求。文献[13]在对常规CMAC权值调整规则分析的基础上,考虑到已学习知识的可信度,提出一种基于信度分配的CA-CMAC训练规则,有效的提高了网络在线学习速度和精度,由于映射特征空间的特点,随着网络复杂度的增加,从输入空间映射到特征空间是一个非常复杂的过程,从而使得网络学习速度和精度也都有所下降。文献[12]中...  (本文共4页) 阅读全文>>

《电工技术》2006年04期
电工技术

CMAC模糊控制器在液压振动台中的应用

0引言 液压振动台是液压伺服系统的一个具体的应用,一般是对试件产生正弦激励的试验装置作振动试验。但是在动态特性上,液压振动台有着高度非线性,并且相对较难控制,这种非线性主要来自液体的可压缩性和伺服阀内复杂的流动特性。另外,液压缸内的摩擦力也具有非线性。液压振动台为了满足其更高的稳定性、快速性、准确性、自适应性和鲁棒性等控制品质要求,本文采用基于CMAC神经网络和模糊控制器的复合控制方案,根据输出误差直接调节模糊控制器来达到自适应控制的目的,从而使液压振动台能获得更好的跟踪能力。基于CMAC神经网络与模糊控制器的设计1 .1模糊控制器的设计 模糊系统通常由模糊控制器、执行机构、被控对象和测量装置等几部分组成,如图1。 控制器是各类白动控制系统的核心,本文采用基于模糊知识表示和规则推理的语言型“模糊控制器”,其控制规则是基于模糊条件语句描述的语言控制规则。模糊控制器常由输入量的模糊化、知识库、模糊逻辑推理和输出量的非模糊化4部分组成...  (本文共2页) 阅读全文>>

《计算机工程》2007年03期
计算机工程

模糊CMAC的硬件结构分析及其FPGA实现

1概述在非线性系统的在线辨识中,常规的串行辨识算法在实时性方面并不能满足某些场合的要求;而一些智能辨识算法,如BP算法,虽然在处理数据时,采用并行方式,提高了辨识速度,但它本质上属于全局优化算法,在一定程度上阻碍了速度的进一步提高。Albus提出的基于局部学习的CMAC(Cerebellar Model Articulation Controller)网络[1,2],具有很快的收敛速度和可观的精度,已广泛应用于机器人控制、信号处理和模式识别。但是,它的内在缺陷影响了它的进一步应用:(1)随着维数的增加,权空间大小将呈几何级数增长,使用哈希影射在一定程度上降低了权空间大小,伴随而来的权碰撞,将会影响到权值的收敛,因此难以解决;(2)在一些精度要求比较高的场合,CMAC的学习精度难以满足要求。为提高精度,已有了一些改进型算法[3,4],但并不能从根本上解决问题:由于CMAC的基等于1,当CMAC的不同输入向量经量化后,可能映射到同一...  (本文共3页) 阅读全文>>

《Journal of DongHua University》2005年02期
Journal of DongHua University

CMAC Based Color Separation in Printing Images

Introduction Colorprintingisaprocessofdecomposing,transforming,transmittingandreproducingcolors,withan aimtofaithfullycopytheoriginal.Coloroffsetprintingis themostwidelyappliedprintingprocessatpresent,where halftonedotisthemostbasicunittorepresenttonesand colorsinaprintingimage[1].Togetcolorprintswithhigh quality,detectingandcontrollingthevariationofdotswith differentinkcolors(suchascyan,magentaandyellow)in printingp...  (本文共5页) 阅读全文>>