基于神经网络补偿的主动悬架自适应控制

已于 2023-03-03 21:54:36 修改
阅读量1k 收藏 4
点赞数 3
分类专栏： 神经网络 悬架控制 文章标签： 神经网络 控制
于 2023-03-01 22:52:01 首次发布
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/weixin_50892810/article/details/129291563
版权
本文探讨了神经网络在1/4悬架模型中的应用，通过仿真分析展示了不同γ参数对车身加速、悬架动扰度、车轮动变形的影响。研究表明，γ值的调整能显著改变控制效果，例如，γ较大时可优化车身和悬架性能但可能导致车轮变形增加和能耗增大。
摘要由CSDN通过智能技术生成

目录

前言

1. 1/4悬架模型 

2.仿真分析

2.1仿真结果

2.1.1 形①

2.1.2 形②

3. 总结

前言

上两篇博客我们介绍了神经网络补偿+控制律的仿真测试，从仿真结果我们可以得知神经网络具有逼近扰动，并将其补偿的作用。

上两篇文章链接：

基于神经网络(RBF)补偿的双关节机械手臂自适应控制_Mr. 邹的博客-CSDN博客

基于神经网络的滑模鲁棒控制_Mr. 邹的博客-CSDN博客

本篇文章我们将其应用于2自由度悬架

1. 1/4悬架模型 

d779ff0ed0b84af2801ae1c1457ad148.png

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Mr. 邹
关注
专栏目录
订阅专栏
基于自抗扰控制ADRC的主动悬架控制
Mr.邹的博客
03-03 1787
之前通过4篇文章介绍了ADRC，并且在最后一篇文章中进行了总结和应用，本篇文章继续将其应用于悬架对象上，并且在相同的调节参数下，对比测试和PID的控制效果。可以看到，在相同调节参数下ADRC的控制效果要好于传统的PID控制，并且可以很好的改善微分后的抖动，以及比例过大的超调现象。
rbf神经网络_自动化及控制系统 基于Smith预估补偿的RBF神经网络的锅炉燃烧系统解耦控制...
weixin_39779975的博客
11-28 652
基于Smith 预估补偿的RBF 神经网络的锅炉燃烧系统解耦控制作者：高锦1，李勇2，周燕弟2，章家岩1(1. 安徽工业大学 电气与信息工程学院，安徽 马鞍山 243032;2. 马鞍山钢铁股份有限公司热电总厂，安徽 马鞍山 243002)摘 要锅炉燃烧控制系统是火力发电厂单元机组的主要控制系统之一，具有较大延时、变动负荷、多扰动、非线性的特点，并且其中的变量之间都具有耦合关系，...
基于神经网络的运动补偿增强
Dillon2015的博客
05-31 1万+
本文来自阿里巴巴在JVET Z次会议上的提案JVET-Z0074《NeuralNetwork Based Motion Compensation Enhancement for Video Coding》 该提案提出使用神经网络在CU级对运动补偿块进行增强从而提高编码效率。具体来说，当CU完成运动补偿过程后使用神经网络对预测块进行处理。 简介 基于神经网络的运动补偿增强作用于inter块，该块既可以正方形的也可以是矩形的。当对矩形块使用神经网络时，wxh的块和hxw块使用相同的网络模型。 可以通过C
基于MATLAB神经网络工具的位移传感器补偿方案
lmz450278382的博客
07-02 787
基于MATLAB神经网络工具的位移传感器补偿方案前言实验方法及数据神经网络工具的使用测试训练效果 前言 本文所用传感器为电涡流位移传感器，测量量为位移，输出量为电压，使用神经网络算法对系统进行非线性补偿和温度补偿。 公式拟合及其原理详见之前的文章：链接: 基于MATLAB拟合的位移传感器补偿方案. 具体涉及神经网络原理及神经网络工具中各参数的设置已经有很多人讲的很清楚了，这里不再赘述。 实验方法及数据 在不同温度下，测量不同距离的位移所产生的电压，记录数据。由于现阶段缺少实验设备进行测试，故先使用参考文章中
基于神经网络的滑模鲁棒控制
Mr.邹的博客
03-01 3034
将神经网络结合滑模控制设计补偿自适应鲁棒控制，以二阶机械手臂进行仿真分析，获得较好的仿真结果。
馈能悬架自适应离线神经网络逆控制.pdf
09-27
"馈能悬架自适应离线神经网络逆控制" 本文主要介绍了一种馈能悬架自适应离线神经网络逆控制系统。该系统通过引入Boost/Buck型DC-DC变换器，实现了馈能悬架系统的自适应控制。该系统由两部分组成：离线神经网络逆...
论文复现代码_1汽车半主动悬架作动器故障诊断与容错控制_故障诊断_容错_容错控制_半主动悬架
09-10
在半主动悬架系统中，一旦诊断出作动器故障，容错控制算法将介入，以调整其他健康部件的工作状态，补偿故障作动器的影响。这可能涉及到控制理论中的滑模控制、自适应控制或者鲁棒控制等技术，以确保车辆动态性能不受...
四旋翼悬挂负载系统的Lyapunov非线性模糊滑模混合控制
工程科学与技术，国际期刊29（2022）101038完整文章四旋翼悬挂负载系统的Lyapunov非线性模糊滑模混合控制Mohammadhossein Zarea，Farshad Pazookia，Shahram Etemadi Haghighiba伊朗德黑兰伊斯兰阿扎德大学航空航天...
基于二阶注意力网络的单幅图像超分辨率
zhang.yongbing，xiast}@ sz.tsinghua.edu.cn，{csjcai，cslzhang}@ comp.polyu.edu.hk摘要近年来，深度卷积神经网络（CNN）在单图像超分辨率（SISR）中得到了广泛的探索然而，现有的基于CNN的SISR方法大多集中于更...
基于神经网络(RBF)补偿的双关节机械手臂自适应控制
Mr.邹的博客
03-01 4806
利用神经网络对已知数学模型的扰动进行补偿，最后比对含补偿自适应律和未补偿时的指令跟踪效果，证明所设计的自适应律补偿合理性！
BP神经网络拟合正弦函数（含扰动）
05-30
用BP神经网络拟合正弦函数sin(2*pi*x)+扰动，并带有扰动
使用BP神经网络实现函数逼近
little_fat_sheep
02-20 1万+
1 一元函数逼近 1.1 待逼近函数 1.2 代码 clear,clc p=[-4:0.1:4]; %神经网络输入值 t=sin(0.5*pi*p)+sin(pi*p); %神经网络目标值 n=15; %隐藏层神经元个数 net=newff(minmax(p),[1,n,1],{'tansig','tansig','purelin'},'trainlm'); %建立网络结构 net.trainP...
用BP神经网络逼近正弦函数
仰起脸笑得像满月
03-09 1万+
上一篇文章中用BP神经网络解决了一个简单的分类问题，接着我又尝试着试验了一下用BP神经网络去逼近正弦函数。网络的结果设计如下图所示。 网络中设置输入层与输出层均为一个神经元，并且考虑到正弦函数的值域分布情况，我这一次在输出层中的激活函数并没有使用以前常用的sigmod函数，而是采用了线性函数y = x 具体实现代码如下所示 clc,clear Data = -3:0.01:3; xs...
利用BP神经网络逼近sin函数
我的备忘录
01-20 3591
利用神经网络逼近sin函数 代码被改得面目全非就不贴了，思路很简单，（1，5，1）的网络，从-pi到pi取1000个点，单个往网络里扔，误差值直接用预测与真实值差值决定，保留正负号，正常求导，速率0.003，1000个点迭代500次，训练完拿500个等间距点计算误差值平方和有0.5多，5000次有0.35，不过5000次迭代要十几个小时。 下图蓝色是真实值，红色是预测值，是500次的结果，很明显的...
使用RBF神经网络实现函数逼近
little_fat_sheep
02-19 1万+
1 一元函数逼近 1.1 待逼近的函数 1.2代码 %%%%%%%%%%一元函数逼近%%%%%%%%%% clear,clc; x=linspace(-20,20,100); %神经网络输入值 t=10*x-30*sin(x)-80*tansig(x); %神经网络目标值 plot(x,t,'+'); %待逼近的函数图像 hold on net=newrb(x,t,1,2); %平方和误差小于1...
为什么说神经网络可以逼近任意函数？
热门推荐
deephub
07-22 2万+
本文主要介绍神经网络万能逼近理论，并且通过PyTorch展示了两个案例来说明神经网络的函数逼近功能。 大多数人理解“函数”为高等代数中形如“f(x)=2x”的表达式，但是实际上，函数只是输入到输出的映射关系，其形式是多样的。 拿个人衣服尺寸预测来说，我们用机器学习来实现这个功能，就是将个人身高、体重、年龄作为输入，将衣服尺寸作为输出，实现输入-输出映射。 具体来说，需要以下几个步骤: 收集关键数据（大量人口的身高/体重/年龄，已经对应的实际服装尺寸）。 训练模型来实现输入-输出的映射逼近。 对未知数据进
机器学习—神经网络如何高效实现
yn3535_的博客
11-05 357
图片左边是之前所看到的代码，将如何向前推进单层中的支撑或正向传播，输入W，第一个的重量，第二和第三神经元，假设参数b，这与之前的代码是一样的，这将输出三个数字。实现，所以计算Z，它现在又是一个矩阵，就像A和W之间的np.matmul，这里的A_in,W都是矩阵，Matt Mole是Numpy如何进行矩阵乘法，它将两个矩阵相乘，然后把矩阵B加进去，这里A_out等于激活函数g(Z)，这是一个Z状结肠函数，应用于矩阵z的元素，然后return A_out，这就是代码的样子，神经网络的矢量化实现是如何工作的。
深度学习-神经网络基础-网络搭建-损失函数-网络优化-正则化方法
最新发布
m0_60916732的博客
11-10 811
init方法中定义网络中的层结构，主要是全连接层，并进行初始化,定义层forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。将各层连接定义继承自nn.Module的模型类在init方法中定义网络中的层结构在forward方法中定义数据传输方式前向传播：指的是数据输入的神经网络中，逐层向前传输，一直到运算到输出层为止。反向传播（利用损失函数 ERROR，从后往前，结合梯度下降算法，依次求各个参数的偏导，并进行参数更新。
评论 2
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

打赏作者

Mr. 邹

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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