基于SelQPSO的WMR区间二型模糊逻辑控制

来源 :计算机仿真 | 被引量 : 0次 | 上传用户：worthylifelv

【摘要】

：

针对轮式移动机器人(WMR)的轨迹跟踪问题,首先根据WMR非线性模型设计了区间二型模糊逻辑控制器(Ⅱ2FLC);其次针对IT2FLC模糊规则中隶属函数参数难以确定问题,通过改进的量子粒子群算法(SelQPSO)优化IT2FLC的隶属函数参数.最后,将经过SelQPSO优化的IT2FLC控制效果分别与经过量子粒子群算法(QPSO)优化的IT2FLC、未经优化的IT2FLC以及T1FLC算法进行对比.此外,进一步考虑外部扰动分别对四种控制方法控制效果的影响.仿真结果表明,与另外三种控制方法相比,经过SelQP

【作者】

：

结昆仑赵涛佃松宜

【机构】

：

四川大学电气工程学院,成都610065

【出处】

：

计算机仿真

【发表日期】

：

2021年11期

【关键词】

：

二型模糊逻辑控制器隶属函数量子粒子群移动机器人

下载到本地 , 更方便阅读

下载此文赞助VIP

声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架

论文部分内容阅读

其他文献

基于机器学习的不确定数据增量式挖掘算法

以实现数据增量式精准挖掘为目的 ,提出基于机器学习的不确定数据增量式挖掘算法.以机器学习算法中的模糊c-均值聚类(FCM)算法为基础,通过主成分分析法筛选原始数据集中指标,利用Relief算法计算指标权重,实现FCM算法改进.改进FCM算法通过阈值定义目标函数,经样本数据分类、特征提取和聚类,使目标函数达到最小值,实现数据挖掘.实验结果表明,上述算法的数据样本分类符合率可达99.28％,分类准确率在98％左右,且分类耗时短、效率高;特征提取能力受数据量增加影响较小;在数据增量情况下,改进算法增量式挖掘准确

期刊

机器学习增量式数据挖掘聚类

基于非线性集成深度学习的软件模块风险预测

利用当前方法预测软件模块风险时没有对软件模块数据进行预处理,导致预测软件模块风险预测精度较低,效果不佳.为解决上述问题,提出基于非线性集成深度学习的软件模块风险预测方法.利用主成分分析法对软件模块数据进行预处理,在不损失有用信息的前提下可降低数据维度.将处理过的样本训练集进行初始化处理,并更新相应的权重向量,利用向量融合弱分类器构成非线性集成深度学习分类器,通过此分类器得出软件模块中是否包含风险,进而实现软件模块风险预测.实验结果表明,所提方法的预测软件模块风险预测精度较高,有效提升了风险预测效果.

期刊

风险预测数据预处理深度学习分类器权重向量

基于SelQPSO的WMR区间二型模糊逻辑控制

其他学术论文