模糊神经网络在扫雷犁系统中的应用研究

论文摘要

电液伺服系统具有控制精度高、响应速度快、输出功率大等优点,已被应用到扫雷犁系统中。由于扫雷犁电液伺服系统存在较强的非线性和时变性,反馈和PID控制等传统方法一般难以获得满意的控制效果。近年来,模糊神经网络（FNN）成为研究的热点。它利用神经网络的学习能力来完成模糊规则的抽取,具有较好地表达非线性映射的能力,因此对非线性系统的控制往往能取得很好的效果。本文采用模糊神经网络对扫雷犁电液伺服系统进行建模与控制,论文主要的工作如下：首先根据扫雷犁电液伺服系统的工作原理和主要元件的参数,设计了系统的液压回路,并在AMESim软件中搭建仿真模型,对仿真结果进行详细地分析。然后以控制犁刀升降的液压回路为研究对象,在Simulink中建立数据采集模型,两软件实现联合仿真后得到工作范围内的系统输入输出数据。采用自适应神经模糊推理系统（ANFIS）、基于减法聚类的模糊神经网络（Sub-FNN）和动态模糊神经网络（D-FNN）对系统建模,对所建模型的泛化能力进行了详细地讨论。结果显示前两种模型的输出误差与激励信号相关联,而动态模糊神经网络算法得到模型误差很小,抗干扰能力强。针对扫雷犁电液伺服系统的吃土深度控制,采用了PID控制、逆控制、模糊控制和广义动态模糊神经网络控制（GD-FNN）,仿真结果显示PID控制效果最差,系统有超调与振荡。逆控制效果较差,其吃土深度误差较大。另外两种控制器控制效果好,鲁棒性强。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题的来源及背景
• 1.2 神经网络在电液伺服系统中的应用
• 1.3 本文的主要研究内容
• 2 扫雷犁系统综述
• 2.1 系统简介
• 2.2 扫雷犁电液伺服系统
• 2.2.1 扫雷犁电液伺服系统的工作原理
• 2.2.2 主要元件的选择及参数设置
• 2.3 本章小结
• 3 基于AMESim的扫雷犁电液伺服系统仿真建模
• 3.1 AMESim软件
• 3.1.1 AMESim软件简介
• 3.1.2 AMESim与Matlab联合仿真
• 3.1.3 AMESim与Matlab接口技术
• 3.2 扫雷犁电液伺服系统AMESim模型
• 3.2.1 仿真模型创建
• 3.2.2 仿真结果及分析
• 3.3 本章小结
• 4 模糊神经网络
• 4.1 模糊系统
• 4.1.1 模糊规则
• 4.1.2 模糊推理系统
• 4.1.3 模糊系统存在的问题
• 4.2 神经网络
• 4.2.1 神经网络概述
• 4.2.2 神经网络的学习算法
• 4.2.3 神经网络的结构和泛化能力
• 4.3 模糊神经网络
• 4.3.1 模糊神经网络的提出
• 4.3.2 模糊神经网络的发展
• 4.3.3 模糊神经网络的改进
• 4.4 本章小结
• 5 基于模糊神经网络的扫雷犁电液伺服系统建模
• 5.1 建模数据及模型设计
• 5.1.1 激励信号选择
• 5.1.2 采样时间
• 5.1.3 训练模型的设计
• 5.1.4 建模数据及预处理
• 5.2 自适应神经模糊推理系统
• 5.2.1 网络结构
• 5.2.2 网络学习算法
• 5.2.3 仿真结果分析
• 5.3 基于减法聚类的模糊神经网络
• 5.3.1 减法聚类法
• 5.3.2 网络结构及算法
• 5.3.3 仿真结果分析
• 5.4 动态模糊神经网络
• 5.4.1 动态模糊神经网络的结构
• 5.4.2 动态模糊神经网络的学习算法
• 5.4.3 仿真结果分析
• 5.5 小结
• 5.6 本章小结
• 6 基于模糊神经网络的扫雷犁电液伺服系统控制
• 6.1 PID控制
• 6.1.1 PID控制的基本原理
• 6.1.2 PID控制仿真分析
• 6.2 模糊神经网络逆控制
• 6.2.1 逆控制原理
• 6.2.2 逆控制器设计
• 6.2.3 逆控制仿真分析
• 6.3 模糊控制
• 6.3.1 模糊控制原理
• 6.3.2 模糊控制器设计
• 6.3.3 模糊控制仿真分析
• 6.4 广义动态模糊神经网络（GD-FNN）控制
• 6.4.1 GD-FNN的结构
• 6.4.2 GD-FNN学习算法
• 6.4.3 GD-FNN控制器设计
• 6.4.4 GD-FNN控制仿真分析
• 6.5 本章小结
• 结论
• 致谢
• 参考文献
• 附录