基于自适应BP算法的CNC自动光学检测系统的研究与应用

基于自适应BP算法的CNC自动光学检测系统的研究与应用

摘要:传统的检测方式,已无法应用于现代轻、薄、短、小产品且需快速精密检测的要求,本论文利用机械结构系统、自动控制系统以及视觉检测系统组成自动光学检测设备,熟悉精密测量设备特性、制作过程,进而将设计的原理与方法结合在实务当中,在利用此设备对实际工件做检测,包含了图像处理、尺寸测量、文字辨识及薄膜厚度检测。

关键词:自适应BP算法CNC自动光学检测系统

近几年来国内新兴高科技产业蓬勃发展,对于精密测量系统的需求急速扩增,其中又以自动光学检测(AOI)方式为势不可挡的技术潮流。AOI技术领域非常广泛,我国IC产业的蓬勃发展,近几年来随着上游半导体晶元厂产能扩充,使得下游的相关产业加速成长,封装材料中的导线架(Leadframe)产业也由先前几乎仰赖进口供应的状况,至目前已有相当比例由国内厂家供应,成长幅度更是惊人。

因此,利用光学方式取得导线架成品的表面状态,以图像处理来检出异物或图案异常等瑕疵,因为是非接触式检查,所以可在中间工程检查半成品。

半导体芯片和手机的线路愈做愈小,零件也比头发细,已经不可能再用肉眼去检验产品是否合格。因此,业界必须使用一种比一般数码相机反应更快的工业用数码相机(CCD Camera)提取到黑白影像(灰阶

自适应控制算法的实现

题目：自适应控制算法的实现 利用FOXBORO控制模块PIDA、FBTUNE、FFTUNE可以构成自适应和自整定控制算法。在电站应用中，这种算法可以用来克服过热、再热系统的纯滞后，实现磨煤系统的模糊控制，在其它行业的先进控制应用中也很具优势。 其基本组态方法如下： 1。建立PIDA模块。 MODOPT ≥ 4。 2。建立FBTUNE 和 FFTUNE 模块，分别将 PIDA.BLKSTA 参数连至 FBTUNE和 FFTUNE的PIDBLK。 3。将扰动量连至 FFTUNE 的LOAD_n (n=1～4)。 说明： 1。使用FBTUNE可以实现对PIDA中 PBAND(比例带)、INT(积分时间)、DERIV (微分时间)、DTIME(纯延迟时间)、SPLLAG(设定值超前-滞后系数)、FILTER (用于克服过程滞后与控制器滞后间不匹配的因子)的自整定。 2。当PIDA在PI或PID方式下，若FBTUNE的DFCT不大于1，如果此时FBTUNE的 PR_FL＝0，可以实现控制对象不确定的模糊控制。这种方式不需要预整定。 3。当FBTUNE的 DFCT>1，或 PIDA 在 NIPID、PI_TAU、PID_TAU方式下，或 FBTUNE 的 PR_FL=1，需作预整定。预整定时，PIDA应处于手动状态，在 FBTUNE 的详细画面上置位 PTNREQ。预整定完毕，能确定 FBTUNE 的 PR_TYP (过程类型)、DFCT 及 PIDA 的 PBAND、INT、DERIV、DTIME、 SPPLLAG。 4。在FBTUNE的详细画面上置位STNREQ，若PIDA在自动状态下，FBTUNE将 进入自整定状态。建议将预整定的P、I、D参数或经验的P、I、D参数填入 FBTUNE详细画面的PM、IM、DM中。这样，在自整定不能很好满足控制要 求时，可以在FBTUNE的详细画面上置位 FB_HOLD，并 TOGGLE PIDRCL， 于是 FBTUNE 会将保留在 PM、IM、DM 中的整定参数装入PIDA中。复位 FB_HOLD，FBTUNE仍回到自整定状态。

自适应控制中PID控制方法

自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== (1-1) 其中x(t),u(t),y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动与噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ (1-2) X(k),X(k),U(k),Y(k),V(k)分别为n,n,p,m,m 维列向量;(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就就是研究:在矩阵(,)k θΦ,(,)k ρθ,(,)H k θ中的参数向量,随机 {()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题,也就就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下,设计控制序列u(0),u(1),…,u(N- 1),使得指定的性能指标尽可能接近最优与保持最优。 自适应控制就是现代控制的重要组成部分,它同一般反馈控制相比有如下突出特点: (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。

(2)一般反馈控制具有抗干扰作用,即它能够消除状态扰动引起的系统误差,而自适应控制因为有辨识对象与在线修改参数的能力,因而不仅能消除状态扰动引起的系统误差,还能消除系统结构扰动引起的系统误差。 (3)自适应控制就是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 1、1模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点就是具有参考模型,其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种:局部参数最优法,如梯度算法等,该方法的局限性在于不一定能保证调节过程总就是稳定的;基于稳定性理论的设计方法,如Lyapunov稳定性理论与Popov超稳定性理论的设计方法。 1、2自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点就是具有在线测量及在线辨识环节,其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为:最小方差自校正控制,其特点就是算法简单、易理解、易实现,但只适用于最小相位系统,对靠近单位圆的零点过于灵敏,而且扰动方差过大时调节过程过于猛烈;广义最小方差自校正控制,可用于非逆稳系统,但难以实现;基于多步预测的自适应控制,适用于不稳定系统等,具有易实现、鲁棒性强的优点;自校正极点配置控制,具有动态性能好、无控制过激现象的特点,但静态干扰特性差;自校正PID控制,具有算法简单、鲁棒性强、待定参数少的特点;增益调度控制,优点就是参数适应快,缺点就是选择合适的列表需要大量的仿真实验,另外离线的计算量大。

BP算法的改进

BP算法的改进 附加动量法 附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。 该方法是在反向传播法的基础上在每一个权值（或阈值）的变化上加上一项正比于前次权值（或阈值）变化量的值，并根据反向传播法来产生新的权值（或阈值）变化。 带有附加动量因子的权值和阈值调节公式为： 其中k为训练次数，mc为动量因子，一般取0.95左右。 附加动量法的实质是将最后一次权值（或阈值）变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值（或阈值）的变化仅是根据梯度下降法产生；当动量因子取值为1时，新的权值（或阈值）变化则是设置为最后一次权值（或阈值）的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面 i将变得很小，于是,从而防止了的出现，有助于使网络从误差曲面的局部极小值中跳出。 根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面；当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。 训练程序设计中采用动量法的判断条件为： E（k）为第k步误差平方和。 V = net.iw{1,1}%输入层到中间层权值 theta1 = net.b{1}%中间层各神经元阈值 W = net.lw{2,1}%中间层到输出层权值 theta2 = net.b{2}%输出层各神经元阈值

多传感器数据融合算法.

一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman 滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上可概括为随机和人工智能两大类，随机类方法有加权平均法、卡尔曼滤波法、多贝叶斯估计法、产生式规则等;而人工智能类则有模糊逻辑理论、神经网络、粗集理论、专家系统等。可以预见，神经网络和人工智能等新概念、新技术在多传感器数据融合中将起到越来越重要的作用。 数据融合存在的问题 (1)尚未建立统一的融合理论和有效广义融合模型及算法； (2)对数据融合的具体方法的研究尚处于初步阶段； (3)还没有很好解决融合系统中的容错性或鲁棒性问题； (4)关联的二义性是数据融合中的主要障碍； (5)数据融合系统的设计还存在许多实际问题。 二、算法介绍： 2.1多传感器数据自适应加权融合估计算法： 设有n 个传感器对某一对象进行测量，如图1 所示，对于不同的传感器都有各自不同的加权因子，我们的思想是在总均方误差最小这一最优条件下，根据各个传感器所得到的测量值以自适应的方式寻找各个传感器所对应的最优加权因子，使融合后的X值达到最优。

自适应控制算法

自适应控制算法综述 定时器Timer0中断服务子程序在整个控制过程中处于最核心地位。振动数据的采样频率就是通过定时器Timer0的中断周期来实现的，实际中中断周期为0.1ms 。程序每隔0.1ms 读取一次A/D 采集并平滑过的数据，调用单点数据的LMS 自适应处理子程序，计算完成后通过D/A 输出控制信号，经功放放大后作用于压电作动器。即实现了在采样频率10KHz 下，智能结构振动控制的实时处理。 参考自适应对消原理图，自适应对消的目的在于利用0v (n)和1v (n)的相关性，使y(n)成为0v (n)的估计值，则e(n)逼近s(n)的估计值。由图可得 e(n)=d(n)-y(n) 又有： d(n)=s(n)+ 0v (n) 所以： e(n)=s(n)+ 0v (n)-y(n) )]()()[(2)]()([)()(02022n y n v n s n y n v n s n e -+-+= 由于)(n y 是)(0n v 的估计值，又)(n s 与)(0n v 不相关，所以有E{2s(n)[v0(n)-y(n)]}为0，即有 E[)(2n e ]=E[)(2n s ]+E[(v0(n)-y(n))2] 显然，当y(n)趋于v0(n)时，有 )]([2n e E 取得最小值。 各信号的对应关系如下： s(n)-实验中振动对象自身所带的噪声信号。

v0(n)-实验中激振器激励振动对象的振动信号。 d(n)-实验中未对振动对象进行振动主动控制时的振动信号。 v1(n)-实验中激振器激励振动对象同时提供的激励参考信号。 y(n)-实验中控制器根据自适应控制算法提供的控制信号。 e(n)-实验中已对振动对象进行振动主动控制后的振动信号。 设自适应滤波器的长度m=64，收敛因子mu=0.005，信号长度n=512。m=64; mu=0.005; n=512; x=zeros(1,n+1); w=zeros(1,m*3); d=zeros(1,n+1); inputsignal=zeros(1,n+1); designsignal=zeros(1,n+1); outputsignal=zeros(1,n+1); errorsignal=zeros(1,n+1); e=0; y=0; for i=1:n ds=sin(2*pi*0.02(i-1))+0.2*WGN(1,1,1,’real’); xs=sin(2*pi*0.02(i-1)); for ii=2:m x(ii-1)=x(ii); end x(m)=xs; y=0; for ii=1:m y=y+x(ii)*w(ii); end e=ds-y;

自适应控制的相关算法

智能跑步机平台的运动控制 摘要：这个智能跑步机是一个促动平台，在虚拟现实的探索中允许步行用户不受约束的运动，该平台由通过球阵列地毯覆盖和安装在转盘的线性跑步机，及配备有用于线性和角运动两个致动装置。这个平台的主要控制任务是让步行者始终在平台的中心，同时抵消他任意走动 然后满足感知的约束。这个平台的控制问题也不小，由于运动系统中是不完全约束的。文章的第一部分是描述智能平台的运动控制装备的设计，线性运动和角运动平台的速度的控制输入和反馈是基于步行者通过外部视觉跟踪系统测量而获得。通常，基于观察者的干扰和步行者的随意速度，我们结合了反馈和前反馈，提出全球稳定控制项目。我们同样讨论了加速度和动力影响步行者的运动控制。文章的第二部分是致力于全面系统的实际运用上。作为最终全面平台的概念证明，机器的设计和智能跑步机的一个小规模实现原型的呈现，以及通过使用的全方位相机来获得人的助行器的平台上的位置的视觉定位方法。为了得到有效的运动控制设计建议，一系列的运动任务演示实验结果是报告和讨论使用了一个很小的运动跟踪器来呈现。 关键词：观察者的干扰，输入输出反馈，线性，原地运动平台，运动控制，不完整的系统，虚拟现实，视觉跟踪。 1、介绍 全向运动平台使用在虚拟现实上的探索，最终的目标是在虚拟现实场景中使用者完全沉浸于其中，我们头戴式显示器，很自然的速度自由行走任何方向，当我们保持着身体的平台运动范围和不需要任何穿戴的限制装备。比如追踪步行者位置和步调特征。用这种方式支持当地运动，这个平台抵消步行者的任意运动，以保持步伐一致。所以，联系观察者对步行者的影响，考虑输入指令的限制，避免使用者沉浸时的干扰。这就是欧洲探寻只能跑步机工作的主要任务。 不同的运动允许人们行走在虚拟环境中界面存在。很多情况，运动限制在1D线性跑步机上，有点像运输平台，用户由一个线束约束应用稳定特性和其他虚拟特效。为了适应微小缓慢的方向改变，这个跑步机将安装在转换平台上。另一种不同的方法是采取环形通道，这些活跃的移动转随着脚移动。再者，这些步行者需要避免快速的转换和高速度。对于在2D 无限制的平台上行走，全向跑步机上回使用两个垂直的方向带和很大的环形，而实施圆环状带排列在圆环跑步机。由于控制系统的缺陷，两种机构系统都需要允许限制速度。更多的是机械的实现受到限制是由于大量的运动片段。这种问题是不存在想智能领域的无源器件。然而，步行者的自然性是由球形地板内曲率的限定。过去常常使用二者选一的原则，这个输送带和旋转平台输送的运动通过球阵列板来认识2D平面跑步机。在球形列放置在一个凹面上不动，但是有传感器仪器检测角接触。

数据融合各种算法整理汇总

数据融合各种算法及数学知识汇总 粗糙集理论 理论简介 面对日益增长的数据库，人们将如何从这些浩瀚的数据中找出有用的知识？ 我们如何将所学到的知识去粗取精？什么是对事物的粗线条描述什么是细线条描述？ 粗糙集合论回答了上面的这些问题。要想了解粗糙集合论的思想，我们先要了解一下什么叫做知识？假设有8个积木构成了一个集合A，我们记： A={x1,x2,x3,x4,x5,x6,x7,x8}，每个积木块都有颜色属性，按照颜色的不同，我们能够把这堆积木分成R1={红，黄，蓝}三个大类，那么所有红颜色的积木构成集合X1={x1,x2,x6}，黄颜色的积木构成集合X2={x3,x4}，蓝颜色的积木是：X3={x5,x7,x8}。按照颜色这个属性我们就把积木集合A进行了一个划分(所谓A的划分就是指对于A中的任意一个元素必然属于且仅属于一个分类），那么我们就说颜色属性就是一种知识。在这个例子中我们不难看到，一种对集合A的划分就对应着关于A中元素的一个知识，假如还有其他的属性，比如还有形状R2={三角,方块,圆形}，大小R3={大,中,小}，这样加上R1属性对A构成的划分分别为： A/R1={X1,X2,X3}={{x1,x2,x6},{x3,x4},{x5,x7,x8}} （颜色分类） A/R2={Y1,Y2,Y3}={{x1,x2},{x5,x8},{x3,x4,x6,x7}} （形状分类） A/R3={Z1,Z2,Z3}={{x1,x2,x5},{x6,x8},{x3,x4,x7}} （大小分类） 上面这些所有的分类合在一起就形成了一个基本的知识库。那么这个基本知识库能表示什么概念呢？除了红的{x1,x2,x6}、大的{x1,x2,x5}、三角形的{x1,x2}这样的概念以外还可以表达例如大的且是三角形的 {x1,x2,x5}∩{x1,x2}={x1,x2}，大三角{x1,x2,x5}∩{x1,x2}={x1,x2}，蓝色的小的圆形({x5,x7,x8}∩{x3,x4,x7}∩{x3,x4,x6,x7}={x7}，蓝色的或者中的积木{x5,x7,x8}∪{x6,x8}={x5,x6,x7,x8}。而类似这样的概念可以通过求交运算得到，比如X1与Y1的交就表示红色的三角。所有的这些能够用交、并表示的概念以及加上上面的三个基本知识(A/R1,A/R2.A/R3)一起就构成了一个知识系统记为R=R1∩R2∩R3，它所决定的所有知识是 A/R={{x1,x2},{x3,x4},{x5},{x6},{x7},{x8}}以及A/R中集合的并。 下面考虑近似这个概念。假设给定了一个A上的子集合X={x2,x5,x7}，那么用我们的知识库中的知识应该怎样描述它呢？红色的三角？****的大圆？ 都不是，无论是单属性知识还是由几个知识进行交、并运算合成的知识，都不能得到这个新的集合X，于是我们只好用我们已有的知识去近似它。也就是在所有的现有知识里面找出跟他最像的两个一个作为下近似，一个作为上近似。于是我们选择了“蓝色的大方块或者蓝色的小圆形”这个概念： {x5,x7}作为X的下近似。选择“三角形或者蓝色的”{x1,x2,x5,x7,x8}作为它的上近似，值得注意的是，下近似集是在那些所有的包含于X的知识库

自适应控制中PID控制方法

自适应控制中P I D控 制方法 -CAL-FENGHAI.-(YICAI)-Company One1

自适应PID 控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: '()((),(),,) ()((),(),,)x t f x t u t t y t h x t u t t θθ== （1-1） 其中x(t)，u(t)，y(t)分别为n,p,m 维列向量。假设上述方程能线性化、离散化,并可得出在扰动和噪音影响下的方程: (1)(,)()(,)()()()(,)()() X k k X k k U k k Y k H k X k V k θρθωθ+=Φ++=+ （1-2） X(k)，X(k)，U(k)，Y(k)，V(k)分别为n ，n ，p ，m ，m 维列向量；(,)k θΦ、(,)k ρθ、(,)H k θ分别为n ×n 系统矩阵、n ×p 控制矩阵、m ×n 输出矩阵。那么自适应控制就是研究:在矩阵(,)k θΦ，(,)k ρθ，(,)H k θ中的参数向量，随机{()k ω},{v(k)}的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题，也就是说自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1)，…，u(N- 1)，使得指定的性能指标尽可能接近最优和保持最优。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比有如下突出特点： (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要研究不确定对象或事先难以确知的对象。

(2)一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。 (3)自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种：局部参数最优法,如梯度算法等，该方法的局限性在于不一定能保证调节过程总是稳定的；基于稳定性理论的设计方法，如Lyapunov稳定性理论和Popov超稳定性理论的设计方法。 自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点是具有在线测量及在线辨识环节，其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为：最小方差自校正控制，其特点是算法简单、易理解、易实现，但只适用于最小相位系统，对靠近单位圆的零点过于灵敏，而且扰动方差过大时调节过程过于猛烈；广义最小方差自校正控制，可用于非逆稳系统，但难以实现；基于多步预测的自适应控制，适用于不稳定系统等，具有易实现、鲁棒性强的优点；自校正极点配置控制，具有动态性能好、无控制过激现象的特点，但静态干扰特性差；自校正PID控制，具有算法简单、鲁棒性强、待定参数少的特点；增益调度控制，优点是参数适应快，缺点是选择合适的列表需要大量的仿真实验，另外离线的计算量大。

基于自适应动态均匀分簇的WSN数据融合算法

第３９卷　第１１Ａ期２０１２年１１月计算机科学 Ｃｏｍｐ ｕｔｅｒ　ＳｃｉｅｎｃｅＶｏｌ．３９Ｎｏ．１１Ａ Ｎｏｖ　 ２０１２杨　婷（１９８１－），女，硕士，讲师，主要研究方向为计算机网络、程序设计，Ｅ－ｍａｉｌ：ｚｋｊ ｎｏ１＠１６３．ｃｏｍ。基于自适应动态均匀分簇的ＷＳＮ数据融合算法 杨　婷 （绍兴文理学院元培学院　绍兴３１２０００ ）　 摘　要　针对ＬＥＡＣＨ算法无法进行数据融合以及簇首分布不均匀引起的局部网络能耗过多、失效过快等问题，提出一种基于自适应动态均匀分簇的数据融合算法ＡＤＵＣ。ＡＤＵＣ算法在簇结构生成阶段引入逻辑区域划分机制和簇首能量优选机制，保证了簇首分布的均匀性和网络的能量均衡性；在数据融合阶段使用自适应加权融合机制来减小冗余和误差，并减少报文数据的数量。仿真结果证明，ＡＤＵＣ算法可以在提高监测数据精度的同时减少网络中４３．１％的总体能耗。 关键词　数据融合，无线传感器网络，分簇，自适应，能耗中图法分类号　ＴＰ３９３ 文献标识码　Ａ　 Ａｄａｐｔｉｖｅ　Ｄｙｎａｍｉｃ　Ｕｎｉｆｏｒｍ　Ｃｌｕｓｔｅｒｉｎｇ　 Ｄａｔａ　Ａｇｇｒｅｇａｔｉｏｎ　Ａｌｇｏｒｉｔｈｍ　ｆｏｒ　Ｗｉｒｅｌｅｓｓ　Ｓｅｎｓｏｒ　ＮｅｔｗｏｒｋｓＹＡＮＧ　Ｔｉｎｇ （Ｃｏｌｌｅｇｅ　ｏｆ　Ｙｕａｎｐｅｉ，Ｓｈａｏｘｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｏｘｉｎｇ　 ３１２０００，Ｃｈｉｎａ）　 Ａｂｓｔｒａｃｔ　Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｕｎａｂｌｅ　ｔｏ　ｄｏ　ｄａｔａ　ａｇｇｒｅｇａｔｉｏｎ　ｏｐｅｒａｔｉｏｎ　ａｎｄ　ｔｈｅ　ｐｒｏｂｌｅｍ　ｏｆ　ｕｎｂａｌａｎｃｅｄ　ｅｎｅｒ－ｇｙ　ｃｏｎｓｕｍｐｔｉｏｎ　ｃａｓｅｄ　ｂｙ　ｔｈｅ　ｎｏｎｕｎｉｆｏｒｍ　ｃｌｕｓｔｅｒｉｎｇ　 ｐｒｏｃｅｓｓ　ｉｎ　ｔｈｅ　ＬＥＡＣＨ　ｐｒｏｔｏｃｏｌ，ａｎ　Ａｄａｐｔｉｖｅ　Ｄｙｎａｍｉｃ　ＵｎｉｆｏｒｍＣｌｕｓｔｅｒｉｎｇ（ＡＤＵＣ）ｄａｔａ　ａｇｇｒｅｇａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｐｒｏｐｏｓｅｄ．Ｉｎ　ｔｈｅ　ｃｌｕｓｔｅｒ　ｃｏｎｓｔｒｕｃｔ　ｐｈａｓｅ　ｏｆ　ＡＤＵＣ，ｔｈｅ　ｌｏｇｉｃ　ａｒｅａ　ｄｉ－ｖｉｄｅ　ｍｅｃｈａｎｉｓｍ　ａｎｄ　ｔｈｅ　ｃｌｕｓｔｅｒ　ｈｅａｄ　ｅｎｅｒｇｙ　ｏｐｔｉｍｉｚｅ　ｍｅｃｈａｎｉｓｍ　ａｒｅ　ｉｎｔｒｏｄｕｃｅｄ　ｔｏ　ｅｎｓｕｒｅ　ｔｈｅ　ｕｎｉｆｏｒｍｉｔｙ　ｏｆ　ｃｌｕｓｔｅｒ　ｈｅａｄｄｉｓｔｒｉｂｕｔｉｏｎ　ａｎｄ　ｔｈｅ　ｅｎｅｒｇｙ　ｃｏｎｓｕｍｐｔｉｏｎ　ｂａｌａｎｃｅ　ｏｆ　ｔｈｅ　ｎｅｔｗｏｒｋ，ｉｎ　ｔｈｅ　ｄａｔａ　ａｇｇｒｅｇａｔｉｏｎ　ｐｈａｓｅ，ｔｈｅ　ａｄａｐｔｉｖｅ　ｗｅｉｇｈｔｅｄｍｅｃｈａｎｉｓｍ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ　ｔｏ　ｒｅｄｕｃｅ　ｔｈｅ　ｒｅｄｕｎｄａｎｃｙ　ａｎｄ　ｅｒｒｏｒｓ　ｏｆ　ｔｈｅ　ｍｏｎｉｔｏｒｉｎｇ　ｄａｔａ　ａｎｄ　ｃｏｎｔｒｏｌ　ｔｈｅ　ａｍｏｕｎｔ　ｏｆ　ｃｏｍｍｕ－ｎｉｃａｔｉｏｎ　ｐａｃｋｅｔｓ．Ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｐｒｏｖｅ　ｔｈａｔ　ＡＤＵＣ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｎｏｔ　ｏｎｌｙ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ　ｏｆ　ｍｏｎｉｔｏｒｉｎｇ　ｄａｔａｂｕｔ　ａｌｓｏ　ｒｅｄｕｃｅ　ｍｏｒｅ　ｔｈａｎ　４３．１％ｅｎｅｒｇｙ　 ｃｏｎｓｕｍｐｔｉｏｎ　ｏｆ　ｔｈｅ　ｎｅｔｗｏｒｋ．Ｋｅｙｗｏｒｄｓ　Ｄａｔａ　ａｇｇｒｅｇａｔｉｏｎ，Ｗｉｒｅｌｅｓｓ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋｓ，Ｃｌｕｓｔｅｒｉｎｇ，Ａｄａｐｔｉｖｅ，Ｅｎｅｒｇｙ　ｃｏｎｓｕｍｐｔｉｏｎ　 无线传感器网络一般由一个与外部网络相连的基站节点 和一组带有计算能力和无线收发装置的传感器节点组成［ １］ 。分布在监测区域中的大量传感器节点可以自主地组成一个自组织网络，节点与节点之间、节点与基站之间以多跳形式进行通信。由于传感器节点通常由电池供电，而且数量巨大、难于回收， 能耗控制就成为关系到无线传感器应用前景的主要问题。数据融合技术就是对无线传感器网络进行能耗控制的核心技术之一。 数据融合是指在数据传输的过程中，对数据进行分布式的汇聚融合处理，去除冗余信息，组合成更有效、更简练、更精确的数据的过程。分簇算法是无线传感器网络调整拓扑结构、实现层次型路由的重要方式，优化的网络簇状拓扑结构可 以明显地降低网络的能耗。ＬＥＡＣＨ［２］ 路由协议是一种典型 的无线传感器网络分簇算法，研究证明ＬＥＡＣＨ协议可以节省网络中１５％的能量。但ＬＥＡＣＨ算法同时也具有簇分布不均匀、能量均衡度低、网络生存时间短、无法进行有效的数据融合操作等缺陷。本文在分析ＬＥＡＣＨ优缺点的基础上，提出一种全新的无线自组织网络自适应均匀分簇的数据融合算法ＡＤＵＣ（Ａｄａｐｔｉｖｅ　Ｄｙｎａｍｉｃ　Ｕｎｉｆｏｒｍ　Ｃｌｕｓｔｅｒｉｎｇ　 ｄａｔａ　ａｇ－ｇｒｅｇａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ）。ＡＤＵＣ算法使用动态自适应均匀分簇机制和自适应加权数据融合方法，在保证簇结构均匀分布、节点负载均衡、 网络生存期延长的前提下，可以高效、精确地进行数据融合操作，在明显节省网络能量的同时，提高了监测数据的精度。 １　相关工作 １．１　ＬＥＡＣＨ算法 ＬＥＡＣＨ算法的基本思想是划分固定时间为监测周期，每个监测周期分为簇准备阶段和实时监测阶段，在每个监测周期开始时，首先进行等概率的簇首随机选择操作，将网络能耗平均分配到各个节点上，以达到延长网络生存期的目的。每个节点在簇准备阶段生成一个０到１之间的随机数，当随机数小于选择门限参数Ｔ（ｎ）时，该节点为簇首节点，否则该节点自动成为簇成员节点，并选择最近的簇首节点进行簇加入操作。选择门限参数Ｔ（ｎ）的取值动态地随监测周期数进行调整。当簇结构形成后，网络自动进入实时监测阶段，簇首节点将簇成员节点发送过来的数据进行融合后发送到基站节点。 · ３０１·

升级版智能车快速转弯的模糊自适应PID控制算法[

升级版智能车快速转弯的模糊自适应PID控制算法[ 摘要： 针对智能小车在转向尤其是急弯时陀螺仪传感器输出的瞬态信号变化很快，因自身结构和工艺限制而带来的信号测不全、抓不好的问题，设计了一种以STM32转弯控制芯片和FPGA为一次仪表特性改善单元控制核心的验证方法。测试结果表明，该系统在对转弯信号采集、放大后通过级联特性改善模块可以有效地改善传统转弯下的动态特性，提高急弯下对实时信号处理的精度。 0 引言 谷歌旗下波士顿动力公司最新发布的名为Handle的轮式机器人能力拔高到新的高度，事实上这种智慧型机器人搭载了多种诸如传感采集模块、环境探测以及人机交互模块等。路况不一样造成不同弯道的曲率不同，如何在急转弯的情况下保持精准的感知与采存处理一直是研究的焦点所在[1]。 智能小车的转弯控制是一个复杂的控制过程，要建立相应的数学模型，单单选用经典的PID算法不够精准，很难做到精确测量和估计。因此，本文提出在传递函数后面串联一个动态测试修正模块[2-4]。 1 智能车弯道设计背景 智能车要想在急转弯路况下继续保持稳定、快速、安全的行驶，主要体现小车在运动控制上是否可以即时地进行监测和反馈。由于被测小车所处周边的环境复杂多变，采光条件、路面温度、自身结构产生的相对运动差以及摩擦系数都会引起智能车所带来的参数变动和毛刺现象甚至是检测盲区[5-6]。考虑到小车单方面在转弯控制下定制控制策略会使整体运行过程的稳定性、及时性出现偏差以至于冲出跑道，针对复杂多变的环境，综合得出一个合理控制策略补偿模块，使小车在弯道环境下既能保持采集的信号可靠、稳定，又能快速、高效、准确地在弯道上进行调姿与控制[7]。 2 系统硬件

一种递归模糊神经网络自适应控制方法

一种递归模糊神经网络自适应控制方法 毛六平,王耀南,孙　炜,戴瑜兴 (湖南大学电气与信息工程学院,湖南长沙410082) 摘　要:　构造了一种递归模糊神经网络(RFNN ),该RFNN 利用递归神经网络实现模糊推理,并通过在网络的第 一层添加了反馈连接,使网络具有了动态信息处理能力.基于所设计的RFNN ,提出了一种自适应控制方案,在该控制方案中,采用了两个RFNN 分别用于对被控对象进行辨识和控制.将所提出的自适应控制方案应用于交流伺服系统,并给出了仿真实验结果,验证了所提方法的有效性. 关键词:　递归模糊神经网络;自适应控制;交流伺服中图分类号:　TP183 文献标识码:　A 文章编号:　037222112(2006)1222285203 An Adaptive Control Using Recurrent Fuzzy Neural Network M AO Liu 2ping ,W ANG Y ao 2nan ,S UN Wei ,DAI Y u 2xin (College o f Electrical and Information Engineering ,Hunan University ,Changsha ,Hunan 410082,China ) Abstract :　A kind of recurrent fuzzy neural network (RFNN )is constructed ,in which ,recurrent neural network is used to re 2alize fuzzy inference temporal relations are embedded in the network by adding feedback connections on the first layer of the network.On the basis of the proposed RFNN ,an adaptive control scheme is proposed ,in which ,two proposed RFNNs are used to i 2dentify and control plant respectively.Simulation experiments are made by applying proposed adaptive control scheme on AC servo control problem to confirm its effectiveness. K ey words :　recurrent fuzzy neural network ;adaptive control ;AC servo 1　引言 近年来,人们开始越来越多地将神经网络用于辨识和控 制动态系统[1～3].神经网络在信号的传播方向上,可以分为前馈神经网络和递归神经网络.前馈神经网络能够以任意精度逼近任意的连续函数,但是前馈神经网络是一个静态的映射,它不能反映动态的映射.尽管这个问题可以通过增加延时环节来解决,但是那样会使前馈神经网络增加大量的神经元来代表时域的动态响应.而且,由于前馈神经网络的权值修正与网络的内部信息无关,使得网络对函数的逼近效果过分依赖于训练数据的好坏.而另一方面,递归神经网络[4～7]能够很好地反映动态映射关系,并且能够存储网络的内部信息用于训练网络的权值.递归神经网络有一个内部的反馈环,它能够捕获系统的动态响应而不必在外部添加延时反馈环节.由于递归神经网络能够反映动态映射关系,它在处理参数漂移、强干扰、非线性、不确定性等问题时表现出了优异的性能.然而递归神经网络也有它的缺陷,和前馈神经网络一样,它的知识表达能力也很差,并且缺乏有效的构造方法来选择网络结构和确定神经元的参数. 递归模糊神经网络(RFNN )[8,9]是一种改进的递归神经网络,它利用递归网络来实现模糊推理,从而同时具有递归神经网络和模糊逻辑的优点.它不仅可以很好地反映动态映射关系,还具有定性知识表达的能力,可以用人类专家的语言控制规则来训练网络,并且使网络的内部知识具有明确的物理意 义,从而可以很容易地确定网络的结构和神经元的参数. 本文构造了一种RFNN ,在所设计的网络中,通过在网络的第一层加入反馈连接来存储暂态信息.基于该RFNN ,本文还提出了一种自适应控制方法,在该控制方法中,两个RFNN 被分别用于对被控对象进行辨识和控制.为了验证所提方法的有效性,本文将所提控制方法用于交流伺服系统的控制,并给出了仿真实验结果. 2　RFNN 的结构 所提RFNN 的结构如图1所示,网络包含n 个输入节点,对每个输入定义了m 个语言词集节点,另外有l 条控制规则 节点和p 个输出节点.用u (k )i 、O (k ) i 分别代表第k 层的第i 个节点的输入和输出,则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下: 第一层:这一层的节点将输入变量引入网络.与以往国内外的研究不同,本文将反馈连接加入这一层中.第一层的输入输出关系可以描述为:O (1)i (k )=u (1)i (k )=x (1)i (k )+w (1)i (k )?O (1)i (k -1), i =1,…,n (1) 之所以将反馈连接加入这一层,是因为在以往的模糊神经网络控制器中,控制器往往是根据系统的误差及其对时间的导数来决定控制的行为,在第一层中加入暂态反馈环,则只需要以系统的误差作为网络的输入就可以反映这种关系,这样做不仅可以简化网络的结构,而且具有明显的物理意义,使 收稿日期:2005207201;修回日期:2006206218 基金项目:国家自然科学基金项目(N o.60075008);湖南省自然科学基金(N o.06JJ50121) 　 第12期2006年12月 电 子 学 报 ACT A E LECTRONICA SINICA V ol.34　N o.12 Dec.　2006

模糊自适应PID控制器

模糊自适应PID控制器 的设计

模糊自适应PID 控制器的设计 一、 模糊自适应原理 模糊控制是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机控制方法，作为智能控制的一个重要分支，在控制领域获得了广泛应用，模糊控制与传统控制方式相比具有以下突出优点: ·不需要精确的被控对象的数学模型； ·使用自然语言方法，控制方法易于掌握； ·鲁棒性好，能够较大范围的适应参数变化； ·与常规PID 控制相比，动态响应品质优良。 常规模糊控制器的原理如图1所示: 图1 模糊控制系统框图 PID 控制规律: 1 01()[()()()] p D I d u t k e t e t dt T e t T dt =++? 式中：p k ---比例系数； I T ---积分时间常数； D T ---微分时间常数。 在工业生产中过程中，许多被控对象随着负荷变化或干扰因素影响，其对象特性参数或结构发生改变。自适应控制运用现代控制理论在线辨识对象特征参 数，实时改变其控制策略，使控制系统品质指标保持在最佳范围内，但其控制效果的好坏取决于辨识模型的精确度，这对于复杂系统是非常困难的。因此，在工业生产中过程中，大量采用的仍然是PID 算法，PID 参数的整定方法很多，但大多数都以对象特性为基础。 随着计算机技术的以展，人们利用人工智能的方法将操作人员的调整经验作为知识存入计算机中，根据现场实际情况，计算机能自动调整PID 参数，这样就出现了智能PID.这种控制器把古典的PID 控制与先进的专家系统相结合，实现系统的最佳控制。这种控制必须精确地确定模型，首先将操作人员长期实践积累

自适应模糊控制几个基本问题的研究进展

自适应模糊控制几个基本问题的研究进展 谢振华程江涛耿昌茂 (海军航空工程学院青岛分院航空军械系青岛 266041 ) 周德云 (西北工业大学西安 710072 ) [摘要] 综述了模糊控制系统的稳定性分析、系统设计及系统性能提高三个基本问题的研究 ,简述了应用研究 ,最后对自适应模糊控制的理论和应用进行了展望。 关键词模糊控制自适应控制鲁棒性稳定性 1 引言 自从 L. A. Zadeh提出模糊集合论以来 ,基于该理论形成一门新的模糊系统理论学科 ,在控制、信号处理、模式识别、通信等领域得到了广泛的应用。近年来 ,有关模糊控制理论及应用研究引起了学术界的极大兴趣 ,取得了一系列成功的应用和理论成果 ,与早期的模糊控制理论和应用相比有了很大的发展。模糊控制理论成为智能控制理论的一个重要分支。 一般来讲 ,模糊控制理论研究的核心问题在于如何解决模糊控制中关于稳定性和鲁棒性分析、系统的设计方法 (包括规则的获取和优化、隶属函数的选取等 )、控制系统的性能 (稳态精度、抖动及积分饱和度等 )的提高等问题 ,这己成为模糊控制研究中的几个公认的基本问题。其中 ,稳定性和鲁棒性问题的研究最为热烈 ,从早期基于模糊控制器的“多值继电器”等价模型的描述函数分析法 ,扩展到相平面法、关系矩阵分析法、圆判据、L yapunov稳定性理论、超稳定理论、基于滑模控制器的比较法、模糊穴 -穴映射及数值稳定性分析方法等非线性理论方法。设计方法的研究也倍受关注 ,主要表现在对规则的在线学习和优化、隶属函数参数的优化修正等应用了多种思想 ,如最优控制的二次型性能指标、自适应、神经网络、遗传算法等思想。稳态性能的改善一直是模糊控制学者所关注。 围绕上述几个基本问题 ,出现了多变量模糊控制[1 ,2 ] 、模糊神经网络技术 [3 ] 、神经模糊技术 [4 ] 、自适应模糊控制 [5] 、模糊系统辨识[6 ] 等热点研究领域。在模糊控制理论与应用方面 ,日本学者取得了很大的成就[7] ,我国学者在这方面也付出了不懈的努力 ,并取得了许多重要的成果。所有这些工作促进了模糊控制的理论和应用的快速发展。 本文拟对近几年自适应模糊控制几个基本问题的研究现状作一总结 ,希望能从这一侧面反映其研究情况和发展动向。主要内容包括 :( 1 )稳定性分析问题的研究 ;( 2 )系统设计方法的研究 ;( 3)系统性能提高的研 究 ;( 4 )应用研究情况。 2 稳定性分析 众所周知 ,任何一个自动控制系统 ,首先必须是稳定的 ,否则这个系统就无法工作。因此 ,在控制系统的分析和设计中 ,系统的稳定性研究占有重要的地位 ,模糊控制系统也是如此。由于模糊系统本质上的非线性和缺乏统一的系统描述 ,使得人们难以利用现有的控制理论和分析方法对模糊控制系统进行分析和

多传感器数据融合算法知识讲解

多传感器数据融合算 法

一、背景介绍： 多传感器数据融合是一种信号处理、辨识方法，可以与神经网络、小波变换、kalman滤波技术结合进一步得到研究需要的更纯净的有用信号。 多传感器数据融合涉及到多方面的理论和技术，如信号处理、估计理论、不确定性理论、最优化理论、模式识别、神经网络和人工智能等。多传感器数据融合比较确切的定义可概括为：充分利用不同时间与空间的多传感器数据资源，采用计算机技术对按时间序列获得的多传感器观测数据，在一定准则下进行分析、综合、支配和使用，获得对被测对象的一致性解释与描述，进而实现相应的决策和估计，使系统获得比它的各组成部分更充分的信息。 多传感器信息融合技术通过对多个传感器获得的信息进行协调、组合、互补来克服单个传感器的不确定和局限性，并提高系统的有效性能，进而得出比单一传感器测量值更为精确的结果。数据融合就是将来自多个传感器 或多源的信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。当系统中单个传感器不能提供足够的准确度和可靠性时就采用多传感器数据融合。数据融合技术扩展了时空覆盖范围，改善了系统的可靠性，对目标或事件的确认增加了可信度，减少了信息的模糊性，这是任何单个传感器做不到的。 实践证明：与单传感器系统相比，运用多传感器数据融合技术在解决探测、跟踪和目标识别等问题方面，能够增强系统生存能力，提高整个系统的可靠性和鲁棒性，增强数据的可信度，并提高精度，扩展整个系统的时间、空间覆盖率，增加系统的实时性和信息利用率等。 信号级融合方法最简单、最直观方法是加权平均法，该方法将一组传感器提供的冗余信息进行加权平均，结果作为融合值，该方法是一种直接对数据源进行操作的方法。卡尔曼滤波主要用于融合低层次实时动态多传感器冗余数据。该方法用测量模型的统计特性递推，决定统计意义下的最优融合和数据估计。 多传感器数据融合虽然未形成完整的理论体系和有效的融合算法，但在不少应用领域根据各自的具体应用背景，已经提出了许多成熟并且有效的融合方法。多传感器数据融合的常用方法基本上

自适应控制中PID控制方法

自适应PID控制方法 1、自适应控制的理论概述 设某被控对象可用以下非线性微分方程来描述: （1-1） 其中x(t)，u(t)，y(t)分别为n,p,m维列向量。假设上述方程能线性化、离散化,并可得出在扰动和噪音影响下的方程: （1-2） X(k)，X(k)，U(k)，Y(k)，V(k)分别为n，n，p，m，m n×n系统矩阵、n×p控制矩阵、m×n输出矩阵。那么自适应控 制就是研究:随机 的统计特性及随机向量X(0)的统计特性都未知的条件下的控制问题，也就是说 自适应控制的问题可归结为在对象及扰动的数学模型不完全确定的条件下，设计控制序列u(0)，u(1)，…，u(N- 1)，使得指定的性能指标尽可能接近最优和保持最优。 自适应控制是现代控制的重要组成部分，它同一般反馈控制相比有如下突出特点： (l)一般反馈控制主要适用于确定性对象或事先确知的对象,而自适应控制主要 研究不确定对象或事先难以确知的对象。

(2)一般反馈控制具有抗干扰作用，即它能够消除状态扰动引起的系统误差，而自适应控制因为有辨识对象和在线修改参数的能力，因而不仅能消除状态扰动引起的系统误差，还能消除系统结构扰动引起的系统误差。 (3)自适应控制是更复杂的反馈控制,它在一般反馈控制的基础上增加了自适应控制机构或辨识器,还附加了一个可调系统" 1.1模型参考自适应控制系统 模型参考自适应控制系统由参考模型、反馈控制器、自适应机构及被控对象组成。此系统的主要特点是具有参考模型，其核心问题可归纳为如何确定自适应调节律及算法。目前设计自适应律所采用的方法主要有两种：局部参数最优法,如梯度算法等，该方法的局限性在于不一定能保证调节过程总是稳定的；基于稳定性理论的设计方法，如Lyapunov稳定性理论和Popov超稳定性理论的设计方法。 1.2自校正调节器 自校正调节器可分为设计机构、估计器、调节器及被控对象4个部分。此控制器的主要特点是具有在线测量及在线辨识环节，其核心问题可归纳为如何把不同参数估计算法与不同控制算法相结合。根据参数估计算法与控制算法相结合的情况把自校正控制分为：最小方差自校正控制，其特点是算法简单、易理解、易实现，但只适用于最小相位系统，对靠近单位圆的零点过于灵敏，而且扰动方差过大时调节过程过于猛烈；广义最小方差自校正控制，可用于非逆稳系统，但难以实现；基于多步预测的自适应控制，适用于不稳定系统等，具有易实现、鲁棒性强的优点；自校正极点配置控制，具有动态性能好、无控制过激现象的特点，但静态干扰特性差；自校正PID控制，具有算法简单、鲁棒性强、待定参数少的特点；增益调度控制，优点是参数适应快，缺点是选择合适的列表需要大量的仿真实验，另外离线的计算量大。