基于模糊自适应PID的智能车控制与仿真.pdf

基于模糊自适应PID的列车智能驾驶算法

针对压水堆核动力装置蒸汽发生器的水位控制提出一种分层模糊自适应控制方案。 该方案中2 个模糊控制器分层连接, 每个模糊控制器均采用典型模糊控制单元, 使得模糊规则个数和可调参数个数 大大减少, 便于在线学习和实时控制。给出了分层模糊控制器的解析表达式及可调参数的在线学习方 法。在快速加负荷和突然甩负荷的仿真实验中, 该方案的控制效果明显优于已有的变参数 P I D 控制, 验 证了该方案的有效性。

首先，详细介绍了本论文的研究现状、研究意义以及智能车主动避撞技术的发展现 状，详细介绍了当前智能车辆路径规划和轨迹跟踪控制技术的相关方法以及各种方法的长处与不足。本文结合 PID 控制和模糊控制两种控制算法的优势，确定了用模糊自适应PID 轨迹跟踪控制器作为避撞模型的轨迹跟踪层，以克服单一的 PID 控制器参数不能在线调节的弊端。为避免出现极限情况下跟踪不好的问题，确定了 MPC 控制算法在轨迹跟踪层的应用。为解决智能车辆在动态环境下轨迹规划问题，论文选用了模型预测轨迹重规划算法作为轨迹规划层。 其次，以前轮转向的智能车为研究对象，建立了车辆坐标系，建立了二自由度的智 能车辆动力学方程。在研究轨迹跟踪问题的过程中，详细介绍了模糊 PID 轨迹跟踪控制器和 MPC 轨迹跟踪控制器的建立过程，并在 Matlab/Simulink 环境中分别对其跟踪效果进行仿真。结果显示在车速为 18km/h、36km/h 和 72km/h 时，对于不同的跟踪轨迹（直线和双移线），两者都有较理想的跟踪效果。然后，论文详细介绍了模型预测理论在动态环境中轨迹重规划的应用，并据此建立了智能车主动避撞模型的轨迹规划器。为满足实时性和鲁棒性的需要，论文轨迹规划层采用了计算量较少的点质量车辆模型。 最后，论文利用前面建立的模糊 PID 和 MPC 控制器分别作为轨迹跟踪层，利用模型预测动态轨迹规划器作为轨迹规划层，搭建了轨迹规划+轨迹跟踪的双层控制器作为智能车主动转向避撞模型。最后在 Matlab/Simulink 环境中分别对其避撞效果进行仿真，结果显示，当车速为 18km/h、36km/h 时，该模型有较好的避撞效果，并在避撞之后能够及时跟踪原来的轨迹行驶；但当车速为 72km/h 时，由于车速较高，障碍物信息过早的加入会导致智能车较早进行轨迹重规划并偏离原来轨迹，但整体上来说该避撞模型都实现了避撞的设计目标。论文选用的轨迹规划和跟踪算法都能满足智能车主动避撞技术的要求。

详细介绍了MATLAB建立PID模型，模糊规则控制器，模糊自适应PID模型，电机模型选用的智能车电机RS380，希望能给一些同学指导，是我博客的总结

本文在对无刷直流电机原理及其控制系统进行研究的基础上,结合模糊控制理论,设计采用了模糊自适应PID控制器,利用模糊推理的方法实现对PID参数的在线自动整定,并在LabviEW环境下设计了无刷直流电机模糊自适应PID控制系统。通过仿真研究,证明其控制效果优于传统PID控制器。

由于缺乏合适的去模糊图像质量度量方法，迭代型去模糊算法通常将其迭代次数简单地设置为固定值，无法在执行效率和去模糊质量之间获得最优的平衡点。为此，提出一种粗精检测相结合的迭代终止机制并将其应用到迭代型去模糊算法中以自适应地确定它们最佳的迭代次数。具体地，在每一步迭代过程中利用伪PSNR值细粒度地判断去模糊图像质量是否趋于稳定，另一方面每隔若干步利用从反向卷积残差图像中提取的统计特征值粗粒度准确地判定图像质量是否达到最佳，将两种去模糊图像质量度量方法有机结合以实现一种效率高且准确的迭代终止判定机制。评估结果显示，将所提出的粗精相结合的终止机制应用于NCSR、GSR和ADMM共三种主流去模糊算法后，执行效率可提高50%左右，而去模糊图像质量也得到了最佳保证。实验结果表明，提出的检测机制能够有效地解决各种迭代型去模糊算法因采用固定迭代次数而存在的无益迭代和过迭代问题，非常具有普适性。

这是MATLAB的模糊自适应PID+Fuzzy,大家可以参考一下，我感觉还不错

关于模糊自适应PID控制算法C代码实现，仅供参考。。。。。。

复杂系统的模糊辨识与模糊自适应控制 教材pdf！