[发明专利]基于自适应神经模糊控制的无人行车防摇定位方法及系统

权利要求书

1.一种基于自适应神经模糊控制的无人行车防摇定位方法，其特征在于，包括以下步骤：

(1)将小车实时位置信号x与设定小车目标位置信号做比较，差值作为控制器的输入信号1，将负载实时摆角信号θ作为控制器的输入信号2，根据性能指标求得不同绳长下的最优控制向量矩阵，选取不同工况下的输入输出数据组成训练样本数据，其中根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据；

(2)将输入变量x和θ转化为模糊量，两路输入分属至不同的模糊集合，其中输入变量x和θ分属不同的模糊集合A_i和B_j，对应不同的钟形隶属函数隶属度函数参数集{a_i，b_i，c_i}、{a_j，b_j，c_j}为模糊推理规则前提参数；

(3)将不同模糊集合对应的隶属函数进行拟合产生激励函数，对激励函数的输出值进行归一化处理得到激励函数收敛值，其中产生的激励函数形式为：所述激励函数输出值收敛至

(4)根据步骤3激励函数收敛值完成模糊规则前件，不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则，基于训练样本数据分别用最小二乘法和反向传播算法调整模糊推理规则参数和隶属度函数参数，完成模糊规则后件，得到自适应神经模糊系统，其中模糊输出值为不同节点的模糊输出值对应不同的一阶Sugeno模糊推理规则为：

Rule(k)：If x is A_i and y is B_j

Then u_k＝p_kx+q_ky+r_k

x和y表示两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{p_k，q_k，r_k}参数集为模糊推理规则结论参数；

(5)获取小车实时位置信号和负载角度信号，根据自适应神经模糊系统输出模糊量，对输出值进行拟合，将模糊量转化清晰量后输出为对小车的控制量。

2.一种基于自适应神经模糊控制的无人行车防摇定位系统，其特征在于，该系统包括：输入模块(101)、模糊化模块(102)、模糊推理模块(103)、参数自适应调节模块(104)、清晰化模块(105)，所述输入模块(101)用于获取小车实时位置信号和负载角度信号作为训练样本或实时控制的输入数据，模糊化模块(102)对获得的训练样本或输入数据进行模糊化处理后传送至模糊推理模块(103)；所述模糊推理模块(103)根据训练样本数据完成模糊推理过程并产生模糊推理规则，对实时控制的输入数据应用该规则；所述参数自适应调节模块(104)根据最小二乘法和反向传播算法调节模糊推理规则中的前提参数和结论参数；所述清晰化模块(105)对输出的模糊值完成清晰化过程并输出自适应神经模糊控制器的控制量；

所述输入模块(101)根据线性二次型最优控制LQR方法得到训练样本集，方法如下：设控制的输出u(t)＝-Kx(t)，性能指标根据专家经验和现场要求确定误差和能量损耗的相对重要性，选取正定矩阵Q和R，求得不同绳长下的最优控制向量矩阵K，在不同绳长工况下，选取最优控制向量矩阵K作用于无人行车系统时得到的输入输出数据组成训练样本数据；

其中所述模糊化模块(102)将输入变量x和θ分属不同的模糊集合A_i和B_j，对应不同的钟形隶属函数隶属度函数参数集{a_i，b_i，c_i}、{a_j，b_j，c_j}为模糊推理规则前提参数；

所述模糊推理规则的前件为：由不同模糊集合对应的隶属函数拟合产生的激励函数收敛，所述激励函数形式为：所述激励函数输出值收敛至

所述模糊推理模块(103)的模糊推理规则为一阶Sugeno模糊模型：

Rule(k)：If x is A_i and y is B_j

Then u_k＝p_kx+q_ky+r_k

x和y表示系统的两个输入，分别对应实时位置信号x和负载实时摆角信号θ，{p_k,q_k,r_k}参数集为模糊推理规则结论参数。