基于神经网络的倒立摆控制系统设计

最新推荐文章于 2023-01-29 19:57:45 发布
最新推荐文章于 2023-01-29 19:57:45 发布
阅读量9.1k 收藏 141
点赞数 16
分类专栏： 基于神经网络控制系统设计 文章标签： 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Jesom1a/article/details/106331463
版权

基于神经网络的倒立摆控制系统设计

问题：一级倒立摆装置如图所示。装在小车上的倒立摆在水平力的作用下，通过控制小车的运动速度使偏转角θ为0，即可使倒立摆直立起来。

在这里插入图片描述
一、参数分析
在这里插入图片描述全部的主要参数就是以上七个，其中需要用到的是小车质量M、摆杆质量m、摆杆转动轴心到杆质心的长度l以及摆杆惯量！
二、受力分析（不多赘述，百度一大堆，直接进入数据采集模块）

三、数据采集
这里首先我们打开matlab的help参考页面的搜索Inverted pendulum找到以下这个matlab自带的modol。（这个modol其实就是基于LQR控制的一个倒立摆小车模型）

最低0.47元/天 解锁文章
Jesom1a
关注
  • 16
    点赞
  • 踩
  • 141
    收藏
    觉得还不错? 一键收藏
  • 26
    评论
专栏目录
倒立摆控制器的设计（分别用极点配置，LQR方法，Robust H-无穷方法）
Dallas01的博客
05-01 2818
G01倒立摆控制器设计 Author：Dargon Note date：2020/12/13 课程用书：LMIs in Control Systems Analysis,Design and Applications 1,倒立摆控制系统简介 倒立摆系统是一个复杂的控制系统，具有非线性、强耦合、多变量、不稳定等特性。 在控制过程中, 它能有效的反映控制中的许多关键问题，如镇定问题,非线性问题, 鲁棒性问题, 随动问题及跟踪问题恩等，都可以以倒立摆为对象加以研究。除此之外, 它和火箭的飞行及机器人关节运动
一级倒立摆控制 —— PID 控制器设计及 MATLAB 实现
weixin_46300916的博客
10-17 1万+
在本页中，我们将为倒立摆系统设计一个 PID 控制器。在设计过程中，我们将假设一个单输入、单输出设备，其传递函数如下。除此以外，我们将尝试在不考虑小车位置的情况下控制摆的角度。
基于BP神经网络的倒立摆智能控制研究.pdf
09-25
基于BP神经网络的倒立摆智能控制研究.pdf
基于遗传神经网络的倒立摆控制研究
10-29
基于遗传神经网络的倒立摆控制研究：基于遗传神经网络的倒立摆控制研究相关的论文。
线性系统大作业——2.二阶倒立摆建模与控制系统设计（上）
qq_42731705的博客
01-12 1万+
文章目录0.简介1.建立数学模型1.1.牛顿运动定律分析欧拉-拉格朗日方程分析2.Simulink仿真3.使用SimMechancis仿真4.在平衡点附近模型线性化5.系统能控性、能观性和稳定性分析5.1.能控性分析5.2.能观性分析5.3.稳定性分析5.3.1.Routh-Hurwitz判据 {#c:Routh-Hurwitz判据}Lyapunov函数6.基于极点配置方法的控制器设计7.状态观测器设计7.1.全阶观测器7.2.最小阶观测器8.基于观测器的状态反馈控制8.1.基于全阶观测器的状态反馈控制8.
线性系统大作业——2.二阶倒立摆建模与控制系统设计（下）
qq_42731705的博客
01-24 7848
文章目录7.状态观测器设计7.1.全阶观测器7.2.最小阶观测器8.基于观测器的状态反馈控制8.1.基于全阶观测器的状态反馈控制8.2.基于最小观测器的状态反馈控制9.LQR控制 本文上半部分见：线性系统大作业——2.二阶倒立摆建模与控制系统设计（上） 7.状态观测器设计 7.1.全阶观测器 前文已经验证，取系统的输出变量为x,θ1,θ2x,\theta_1,\theta_2x,θ1​,θ2​，系统是能观的。因此这里可以直接进行观测器的配置。假设所配置的观测器极点是状态反馈控制器的极点的三倍，即为3∗[−2
【模糊神经网络】基于模糊神经网络的倒立摆轨迹跟踪控制
浪漫至死不渝
01-29 2041
临近春节没啥事做，突然想起前两年未完成的模糊神经网络，当时是学了一段时间，但是到最后仿真始终不对，最后也不了了之了，趁最近有空，想重新回顾回顾，看看会不会产生新的想法。
基于一阶倒立摆系统的模糊神经网络PID控制
qq_38184554的博客
01-14 1万+
基于一阶倒立摆系统的模糊神经网络PID控制 1.1 研究背景 模糊系统、神经网络和遗传算法被认为是21世纪人工智能最具发展前途的三个重要领域。它们构成了所谓的“智能计算”。随着科学技术的飞速发展，现代工业控制系统变得越来月复杂，基于精确数学模型的传统控制已经达不到理想的控制效果。智能控制是一种模拟人类智能的高级控制系统，它是基于知识的控制，是将控制者和专家经验与知识作为被控对象的模型。 倒立摆系统...
基于神经网络的倒立摆控制系统设计.zip
07-01
在这个项目中，“基于神经网络的倒立摆控制系统设计”着重于利用神经网络技术来实现对倒立摆的稳定控制。下面将详细介绍这个主题中的关键知识点。 **倒立摆** 倒立摆是一个经典力学问题，它是指一个可移动的摆，其...
hwv1_python倒立摆_基于神经网络的小车倒立摆控制_
09-30
在本项目中，我们主要探讨的是“hwv1_python倒立摆_基于神经网络的小车倒立摆控制”。倒立摆是一种经典的控制理论问题，它涉及到动态系统稳定性、控制策略和机器学习等多个领域。在这个项目中，我们使用Python语言来...
倒立摆的神经网络控制
10-17
倒立摆神经网络控制，控制理论，智能控制理论之神经网络控制
一级倒立摆系统
12-27
现代控制理论，课程设计项目，一级倒立摆系统；基于机理建模法，确立状态空间，并对系统进行极点配置以及状态观测。
一阶倒立摆控制系统设计
04-13
PID控制算法
旋转倒立摆控制系统原理图
11-13
平衡小车之家的旋转倒立摆控制板的原理图，绝对原版，
RBF_pendulum_SIMULINK_RBF神经网络_倒立摆控制_倒立摆RBF
09-11
在实际应用中，RBF神经网络倒立摆控制可能包括以下步骤： 1. **系统建模**：利用SIMULINK构建倒立摆的物理模型。 2. **神经网络设计**：定义RBF神经网络的结构，包括输入（例如，摆角和角速度）、隐藏层的径向基函数...
基于神经网络的一阶倒立摆控制.zip
最新发布
02-10
包含前端、后端、移动开发、操作系统、人工智能、物联网、信息化管理、数据库、硬件开发、大数据、课程资源、音视频、网站开发等各种技术项目的源码。 包括STM32、ESP8266、PHP、QT、Linux、iOS、C++、Java、python...
MATLAB强化学习入门——五、倒立摆的DQN神经网络控制
热门推荐
忘了面孔的Batou
03-07 1万+
《MATLAB强化学习入门》的第五期，讨论倒立摆的DQN神经网络控制问题，包括倒立摆的数学建模、DQN强化学习以及总的程序实现。
一阶倒立摆神经网络控制matlab,BP神经网络在一级倒立摆 控制系统中的应用设计...
weixin_42319865的博客
03-22 1970
内容简介：BP神经网络在一级倒立摆 控制系统中的应用设计，毕业论文，共38页。摘 要 倒立摆系统是研究控制理论的一种典型实验装置，它深刻揭示了自然界的一个基本规律，即一个自然不稳定的非线性被控对象，运用有效的控制手段可使其能够处于稳定状态。 倒立摆系统作为一个控制装置，价格低廉、结构简单，便于用多种不同的控制方法进行控制，使其稳定。作为一个被控对象，它是一个不稳定、高阶次、非线性、多变量、强耦合的...
基于numpy设计神经网络
06-01
好的，我可以为您讲解基于numpy设计神经网络的步骤： 1. 导入numpy库 ``` import numpy as np ``` 2. 定义神经网络的结构，包括输入层、隐藏层和输出层的节点数，以及权重和偏置的初始值 ``` input_size = 2 hidden_size = 4 output_size = 1 W1 = np.random.randn(input_size, hidden_size) b1 = np.zeros((1, hidden_size)) W2 = np.random.randn(hidden_size, output_size) b2 = np.zeros((1, output_size)) ``` 3. 定义激活函数，常用的有sigmoid和relu函数 ``` def sigmoid(x): return 1 / (1 + np.exp(-x)) def relu(x): return np.maximum(0, x) ``` 4. 定义前向传播函数，将输入数据通过神经网络得到输出结果 ``` def forward(X): # 第一层 z1 = np.dot(X, W1) + b1 a1 = relu(z1) # 第二层 z2 = np.dot(a1, W2) + b2 y_hat = sigmoid(z2) return y_hat ``` 5. 定义损失函数，常用的有均方误差和交叉熵函数 ``` def mse_loss(y, y_hat): return np.mean((y - y_hat) ** 2) def cross_entropy_loss(y, y_hat): return -(y * np.log(y_hat) + (1 - y) * np.log(1 - y_hat)).mean() ``` 6. 定义反向传播函数，计算权重和偏置的梯度 ``` def backward(X, y, y_hat): # 输出层 dz2 = y_hat - y dW2 = np.dot(a1.T, dz2) db2 = dz2.sum(axis=0, keepdims=True) # 隐藏层 da1 = np.dot(dz2, W2.T) dz1 = da1 * (z1 > 0) dW1 = np.dot(X.T, dz1) db1 = dz1.sum(axis=0) return dW1, db1, dW2, db2 ``` 7. 定义更新权重和偏置的函数，采用梯度下降法更新神经网络的参数 ``` def update_params(dW1, db1, dW2, db2, lr): W1 -= lr * dW1 b1 -= lr * db1 W2 -= lr * dW2 b2 -= lr * db2 return W1, b1, W2, b2 ``` 8. 定义训练函数，利用前向传播、反向传播和权重更新来训练神经网络 ``` def train(X, y, epochs, lr): for i in range(epochs): y_hat = forward(X) loss = mse_loss(y, y_hat) dW1, db1, dW2, db2 = backward(X, y, y_hat) W1, b1, W2, b2 = update_params(dW1, db1, dW2, db2, lr) if i % 100 == 0: print(f"Epoch {i}, Loss: {loss:.4f}") return W1, b1, W2, b2 ``` 这些步骤可以帮助您基于numpy设计神经网络，进行训练和预测任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 26
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值