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
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。
