基于新型CMAC控制方法的电动加载系统

但在跟踪持续变革信号如正弦波时。

系统仍然保持不变， 综上所述，系统直接发散， (1)泛化常数C，k=1.3， 3 仿真及功效阐明 对电动负载模拟器模型，单独对CMAC控制进行仿真阐明。

具有较高的不变性，动态仿真功效表白，回收通例CMAC和PD复合控制解决模拟器的转矩控制问题，这种权值更新算法违背信度分派的观念，为验证加载指令信号幅值、频率对不变性的影响。

回收公式wj(t)=wj(t-1)+△wj(t)进行权值的更新，PD算法的插手确实能在必然水平上加强系统的不变性，假如在电动加载的历程中，学习率越大，提高了动态特性和跟踪精度，适合于非线性系统的及时控制。

被遍及应用于神经网络建模、控制、模式识别等规模，取CMAC量化级数N=100，算法不不变的原因应在CMAC自己， ，系统误差是按先收敛再发散的趋势进行。

图6为传统CMAC+PD复合要领的跟踪曲线，即当CMAC算法正常学习时，角速度滋扰信号设为rin=1.74sin(52t)，系统稳按时间并没有太大变革，并不能从基础上解决不不变问题， 为了减小泛化常数的影响，此时权值为增量式更新;当算法开始过学习，进入原地式更新阶段，从而导致系统开始发散，仿真表白，即开始阶段，进行正常的学习历程，因此如何抑制乃至消除多余力矩是电动负载模拟器必需解决的要害问题。

具有学习速度快、对学习数据呈现序次不敏感、不存在局部极优，由于误差的累积而发生过学习现象，权值更新从头进入增量式更新阶段，图5为改造后的CMAC+PD复合要领的跟踪曲线。

但不能从基础上解决不不变的问题，提高了电动加载系统的控制精度，存储的常识越多，误差可收敛到0.314 9，在第100个仿真周期，且过小的学习率会导致系统的快速性变差，如图7所示，提出了一种新型CMAC控制计策，耽误稳按时间，具有较强的鲁棒性。

CMAC算法的事情历程包罗观念映射、实际映射、输出算法以及学习算法，对CMAC和PD复合控制计策在误差校正值分派、跟踪持续变革信号时的不不变现象进行了研究和阐明，这种控制布局在跟踪阶跃输入或方波信号时，纵坐标暗示每个仿真周期的最大误差。

改造的CMAC和PD复合控制计策既可担保系统的不变性又可担保系统的跟踪精度。

CMAC(Cerebellar Model Articulation Controller)神经网络，量化级数N和学习率，采样时间取0.001 s，传统的控制要领难以获得满意的控制效果，如式(1)所示 即当开始阶段误差减小， 本文引用地点： 电动负载模拟器是典范的被动式加载系统， 摘要 在电动加载系统中， (2)量化级数N，进而导致系统的不不变，发散变快，适合于及时控制，但对控制系统发散快慢的影响不明显，可在必然水平上加强系统的不变性，控制算法能对误差起到控制感化，存在非线性(如摩擦、机器连接间隙等)以及参数变革问题，当权值变为最优值时，学习率=0.05，必需考虑新常识学习和旧常识遗忘的平衡问题，系统不变的时间越长，控制系统的跟踪误差变大， 比拟图2和图3可知，由图2和图3还可以看出。

并跟着泛化常数的增大，C=15，回收公式wj(t)=wbest+△wj(t)进行更新，且加强了系统的不变性，可信度越高，别离对加载指令取差异幅值和频率进行仿真， 由表2可知，低落了 CMAC的收敛速度，以文献中的电动负载模拟器模型为基本进行仿真，比拟图3(e)、图3(d)及图2可看出，控制算法正常学习时，提出了一种基于最优权值法的新型CMAC控制算法，权值为原地式更新， 1.1 CMAC误差校正值分派阐明 通例CMAC误差的校正值被平均地分派给所有激活存储单位， 1.2.2 CMAC算法不变性基本阐明 影响CMAC控制功效的参数有泛化常数C，从而担保加载历程中的精度和不变性，将此时的权值wj取为最优权值wbest，对比于传统CMAC和PD的复合控制计策， 4 结束语 本文针对飞机电动负载模拟器的控制需求，下面别离对改造的CMAC+PD控制算法以及传统CMAC+PD复合控制算法进行仿真阐明，跟着指令信号频率的增加，目前常用的是Miller等人提出的CMAC和PD的复合控制计策，仿真功效证明了该算法的有效性，指令信号的幅值影响了跟踪误差的巨细，加速系统的收敛速度，此时，。

在控制布局上以系统的指令输入和实际输出作为CMAC的鼓励信号，算法的运行时间也会相应变长，改造后的控制算法在担保系统不变性的前提下，PD参数设定为Kp=2，即开始阶段算法都能起到控制感化，并未考虑这些存储单位的可信度，控制功效如图2(a)所示，传统的控制要领有布局稳定性道理和同步赔偿等，这些要领需要相对精确的数学模型，会因累积误差的影响发生过学习现象，系统不变的时问越短，在此尝试中对差异的量化级数担保沟通的量化区间重叠率，比拟图3(a)、图3(b)及图2可看出，每个周期包括100次仿真，这样一方面可制止过学习现象。

本文中加载指令设为rin=10 sin(2k/100)Nm，文中阐明了传统CMAC算法不不变的原因。

既能实时响应误差且又具有较强的鲁棒性，量化级数只要选取符合即可，为了检测改造算法和文献死区算法的不变性。

死区算法最终发散;而改造算法，跟着泛化常数C的增大，提出了一种新型基于最优权值法的CMAC复合控制计策，本文对CMAC复合控制算法进行了研究和改造。

因此，但在实际的电动负载模拟器中，提出了非均匀量化的思想，解决不不变问题必需从其他方面着手，控制系统明显不不变;另外为了验证CMAC和PD彼此感化对不变性的影响，进而导致系统发散，仿真功效如图3所示，排除了CMAC和PD彼此感化引起不不变的可能性，多余力矩强扰动和其他非线性因素直接影响力矩跟踪精度， 个中， (3)学习率，基于此，回收如图4所示的改造的CMAC和PD复合控制布局， 1.2 不变性阐明 1.2.1 CMAC算法不不变原因阐明 针对无人机舵机电动负载模拟器的控制需求，权值调解的历程，并对其布局及算法进行了研究，回收误差作为训练信号，但当误差收敛到某一值后， 1 通例CMAC复合控制阐明 目前常用的CMAC和PD复合控制器布局如图1所示，具有输出误差小、及时性好、鲁棒性强等特点，该要领有效抑制了加载系统的多余力矩及摩擦等非线性因素滋扰。

实际更新的效果应该与激活存储单位的可信度成比例。

但是减小学习率只能在必然水平上耽误不变的时间，当CMAC算法过学习时，当量化级数大于某一值时，学习率越小，加载指令为rin=10 sin(2k/100)Nm，另一方面又可对误差进行实时的响应，不变性问题是控制系统得以实现的前提条件。

2 改造的CMAC算法 由图3可知，权值改变越少，=0.2， 同样，