为了提高水下自主机器人(autonomous underwater vehicle,AUV)在海洋执行任务时对深度和航向控制的品质,以及它的抗干扰能力。本文提出了一种新的方法,即通过训练人工神经网络来改变模糊PID(proportional integral derivative)控制的模...为了提高水下自主机器人(autonomous underwater vehicle,AUV)在海洋执行任务时对深度和航向控制的品质,以及它的抗干扰能力。本文提出了一种新的方法,即通过训练人工神经网络来改变模糊PID(proportional integral derivative)控制的模糊规则和隶属度函数,从而实现更加精确的模糊控制。最后将设计的模糊神经PID控制算法与建立的AUV动力模型相结合。为验证模糊神经PID控制器的有效性,将传统PID、模糊PID控制算法作为对比,同时,人为加入了干扰因素。通过MATLAB/Simulink仿真实验的验证发现,采用模糊神经PID控制器来控制AUV,可以获得更少的反应时间,更好的稳定性,以及更强的抗干扰性,而且控制效果远超其他控制方式。展开更多
针对常规比例、积分和微分(proportional integral derivative,PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation,BP)神经网络相结合的控制算法;在MATLAB中对...针对常规比例、积分和微分(proportional integral derivative,PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation,BP)神经网络相结合的控制算法;在MATLAB中对比常规PID控制器、模糊PID控制器与模糊神经网络PID控制器在给定期望航向角下的航向控制性能,仿真结果表明模糊神经网络PID控制器对无人艇的航向控制性能最佳;在搭建的实验平台上对不同航向控制器下无人艇的航行轨迹和航向角进行比较,实验结果进一步验证了模糊神经网络PID航向控制算法的优越性。展开更多
文摘为了提高水下自主机器人(autonomous underwater vehicle,AUV)在海洋执行任务时对深度和航向控制的品质,以及它的抗干扰能力。本文提出了一种新的方法,即通过训练人工神经网络来改变模糊PID(proportional integral derivative)控制的模糊规则和隶属度函数,从而实现更加精确的模糊控制。最后将设计的模糊神经PID控制算法与建立的AUV动力模型相结合。为验证模糊神经PID控制器的有效性,将传统PID、模糊PID控制算法作为对比,同时,人为加入了干扰因素。通过MATLAB/Simulink仿真实验的验证发现,采用模糊神经PID控制器来控制AUV,可以获得更少的反应时间,更好的稳定性,以及更强的抗干扰性,而且控制效果远超其他控制方式。
文摘针对常规比例、积分和微分(proportional integral derivative,PID)控制器在无人艇航向控制系统中表现出的稳定性差、控制精度低等问题,文章提出一种将模糊控制与反向传播(back propagation,BP)神经网络相结合的控制算法;在MATLAB中对比常规PID控制器、模糊PID控制器与模糊神经网络PID控制器在给定期望航向角下的航向控制性能,仿真结果表明模糊神经网络PID控制器对无人艇的航向控制性能最佳;在搭建的实验平台上对不同航向控制器下无人艇的航行轨迹和航向角进行比较,实验结果进一步验证了模糊神经网络PID航向控制算法的优越性。
