基于Q学习算法和BP神经网络的倒立摆控制

本文件是倒立摆的matlab分析程序，使用的平台为matlab，通过该程序可实现对系统可观可控的判断，也可对系统相应进行分析，文件包含程序代码和题目

# Inverted-Pendulum 强化学习大作业1 倒立摆 包括Q值迭代、SARSA、DQN三种算法。 game的my_Pendulum是按gym的环境定义的我自己的倒立摆环境，其参数与game的Pendulum-v0不同

三种倒立摆系统的代码及simulink文件，及能控性和能观性判断的程序。倒立摆作为一个高阶次、多变量、非线性和强耦合的自然不稳定系统，一直是控制领域研究的热点问题。 A = [ 0 1 0 0; 0 0 0 0; 0 0 0 1; 0 0 29.493 0]; B = [ 0 1 0 3]'; C = [ 1 0 0 0; 0 0 1 0]; D=[0;0]; Uc=ctrb(A,B);rc=rank(Uc); n=size(A); if rc==n disp('system is controlled.') elseif rc<n disp('system is uncontrolled.') end Vo=obsv(A,C); ro=rank(Vo); if ro==n disp('system is observable.') elseif ro~=n disp('system is no observable.') end

Matlab代码sqrt 古田摆Meca-482 7组 瑞安·亨氏（Ryan Heinz），罗杰·雅各布森（Roger Jakobson），罗伯特·考夫曼（Robert Kaufman），瑞安·雷沃林斯基（Ryan Revolinsky），布伦南·范·沃希 目录 1.概述 项目说明-（注：此项目是作为该项目的启动点提供给我们的。）“古斯塔摆锤或旋转倒立摆锤由一个在水平面上旋转的从动臂和一个与该摆臂相连的摆锤组成，该摆臂可自由旋转在垂直平面旋转。 它是1992年由古田胜久及其同事在东京工业大学发明的。” [1]团队在这个项目中调查的问题是以低成本和简化的方式为控制系统算法创建测试平台。 在这方面，预计项目团队将使用设计的控制系统创建系统的数学模型。 穿插： 产生一个控制器，该控制器从其垂直位置开始在其垂直位置平衡旋转倒立摆。 只有连接到摆臂的底座上的电动机才具有可控制的运动（使其成为欠驱动系统）。 因此，控制器必须以这种方式（在提供摆杆数据的传感器的帮助下）移动该臂，以迫使摆杆平衡。 在Coppelia中模拟该系统。 可交付成果： 预计该团队将展示他们的项目（约5分钟），并构建一个包含G

好东西，关于倒立摆的一些控制知识，还有毕业设计的格式！！！

重点介绍神经网络在倒立摆控制问题中的研究方法

以模糊神经网络为基础,结合误差前馈补偿完成了二级倒立摆系统的稳定控制,并采用模拟退火粒子群算法对控制参数进行全局寻优。与基于状态变量合成的模糊神经网络控制器相比,该控制方法不仅解决了多变量系统模糊控制器的“规则爆炸”问题,并且,由于所有状态变量直接参与控制输出,控制精度亦有所提高。仿真结果表明,该控制方案所需规则数目少,响应速度快,有良好的鲁棒性和非线性适应能力。

2015年大学生电子设计大赛控制B题风力摆设计文档

基于PID的风力摆控制系统研究，刘华剑，张洪光，风力摆的动态控制一直是自动控制领域中的一个经典课题。本文中风力摆控制系统设计目标为使用直流风机控制通过万向节与支点相连接