基于综合非线性控制方法的飞行控制律研究

应用神经网络控制与动态非线性阻尼控制综合的非线性控制方法对飞行控制律进行了研究.首先使用反馈线性化方法作为基础控制律实现飞机的非线性控制,然后使用神经网络控制与动态非线性阻尼控制综合的控制方法进行补偿,以提高非线性飞控系统的鲁棒性.在以某型推力矢量飞机为对象的仿真中,当出现舵面损伤及一类舵机故障时,这种方法显示出很强的补偿能力.     

基于大脑情感学习的推力矢量无人机姿态控制

建立了与普通无人机相区别的带推力矢量的无人机数学模型,并提出了一种基于大脑情感学习(brain emotion learning, BEL)的推力矢量无人机姿态控制方法。首先设计了气动控制器和近似推力矢量控制器,然后设计了基于BEL算法的推力矢量控制补偿器。对无人机全量模型进行非线性数值仿真,结果验证了所建立的数学模型的正确性、推力矢量技术在无人机姿态控制上的特定优势以及BEL智能方法的自学习、自适应能力。     

基于回归神经网络的滑模跟踪器设计

基于回归神经网络的在线辨识 ,为实现非线性系统自适应控制提供了一种很有应有前景的方法。本文基于具有线性输入特性的神经网络 ,提出了使系统辨识误差具有指数收敛特性的学习算法。为了得到尽可能普遍的控制律 ,本文运用滑模技术设计出控制信号 ,用其补偿神经网络模型与非线性系统之间的匹配误差。以此为基础 ,提出一种新的基于回归神经网络的间接自适应控制方案。仿真结果表明 ,本控制方案具有较好的跟踪性能     

新型神经网络模型参考自适应控制系统设计

针对任意复杂非线性系统，即控制器具有不可分离结构的离散非线性系统，提出新型神经网络模型参考自适应控制。该方案的提出简化了基于神经网络的模型参考自适应控制系统的设计，只需一个神经网络辨识器。统一了任意神经网络模型参考自适应控制的设计方法，更接近于工程实际。仿真结果证明了该方案的合理性和有效性。     

基于敏捷性导弹逆动态的神经网络控制方法与仿真研究

给出了一种基于敏捷性导弹逆动态的神经网络控制方案。该方案由两个神经网络组成：第一个神经网络（NNI）用来离线的学习整个飞行包线内导弹动态特性的逆特性，以实现系统的线性化；由于敏捷性导弹在大迎角状态下具有高度的非线性特性和气动参数突变等未建模动态，因此引入第二个神经网络（NN2）来在线的补偿NNI的逆误差。在线学习的权值调整由Lyapunov理论得出，保证了闭环系统的稳定性。该控制方案对参数变化及未建模动态等具有良好的鲁棒性。将其应用于敏捷性导弹的控制中，数字仿真结果表明该控制方案有效。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法，研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换，将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数，网络的权值根据李亚普诺夫原则来在线修正，这样就克服了多神经网络控制系统中存在的稳定性问题。同时，为了减少权值学习时间，应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律，给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

基于自抗扰控制器的飞机纵向自修复飞行仿真

自修复飞行控制是先进飞行控制系统的重要研究内容,它可以提高飞机的可靠性和生存能力.针对含有推力矢量的非线性飞机模型,提出了利用自抗扰控制技术实现其俯仰运动自修复飞行控制的新方法.在平尾损伤率0～100%的情况下,该方法无需故障模型,利用自抗扰控制器的特性,加入推力矢量参与舵面重构控制,仿真结果表明:自抗扰控制器实现了对俯仰角的自修复控制,能保持飞机的闭环稳定性,且具有良好的动态性能;推力矢量的使用增强了飞控系统的自修复能力.     

基于RBF神经网络的多变量系统PID解耦控制

针对工业生产过程中的多变量耦合系统采用传统控制方法不能达到满意的效果,提出了一种基于神经网络的PID解耦控制方案。在实验研究中,采用改进型动态BRF神经网络辨识器,在线辨识多变量系统的非线性时变模型,同时自动调整PID控制器各项参数,最终实现对系统的智能化解耦控制。给出了BRF神经网络的拓扑结构和算法,并对一组二变量强耦合时变系统的控制过程进行了计算机仿真,结果表明:基于BRF神经网络的PID控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该设计方案使得解耦后的多变量系统具备了良好的动、静态特性。     

一种模糊神经网络自适应预测控制方案的研究

针对现有模糊推理方法的缺点，结合神经网络的学习能力和插值能力，提出了一种新型的模糊神经网络结构。在此基础上设计了一种模糊神经网络自适应预测控制方案，并导出了相应的学习算法。同时引入了预测误差的智能补偿，以提高预测及控制精度。仿真实验表明，该算法能实现模糊控制和神经网络控制的优势互补，在非线性复杂系统的控制方面具备较高的性能。     

模糊神经网络自学习控制器及其应用

本文提出了一种模糊神经网络自学习控制方法，并介绍了采用多层神经网络表达模糊控制的知识规则、模糊推理和学习算法。经实验仿真结果表明这种控制方案可改善具有时变及大纯滞后系统的控制品质，其性能优于一般模糊控制。     

基于动态逆的大空域靶弹高度控制系统设计

针对纵向运动模型,提出了一种采用神经网络自适应逆控制设计靶弹高度控制系统的方法。该方法利用神经网络经离线训练实现非线性系统的逆,通过基于变结构控制的方法得到控制律自适应的补偿逆误差和系统的动态特性变化引起的误差。通过对大空域靶弹的全弹道仿真表明,该控制方法具有较好的控制能力和较强的鲁棒性。     

基于小波神经网络的惯导初始对准系统

论述了小波分析和神经网络在惯性导航系统初始对准中的重要作用,给出了惯导系统初始对准的线性和非线性模型.基于小波变换,运用小波神经网络对目前该问题进行了仿真研究.仿真结果表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,近似精度高,而且网络规模比BP、RBF等神经网络规模要小,计算量少,收敛速度快.     

基于Elman网络的鲁棒型广义预测控制方法研究

提出一种基于Elman动态回归神经网络模型的鲁棒型广义预测控制(GPC)．该算法首先用EIman网络对非线性系统进行辨识，建立预测模型，然后在控制中将模型输出值与测量输出值进行综合，代替量测输出用于控制中，从而降低辨识器与控制器对未建模动态的敏感性，加强控制器的适应能力和鲁棒性．仿真结果证明：将本算法应用于非线性系统预测控制，对未建模动态具有很强的鲁棒性和很好的控制能力。     

船舶减摇鳍逆模式小波神经网络自适应控制

根据船舶横摇运动的特点，本文提出以伪随机二元序列信号(PRBS)作为波倾角仿真输入信号，将逆模式小波神经网络自适应控制方法应用于船舶减摇鳍控制系统，取得了良好的减摇效果。仿真实验表明此方法能够克服传统PID控制适应性差的缺点，具有较好的容错性和较强的适应非线性的能力。     

Volterra Feedforward Neural Networks:Theory and Algorithms

Ｖｏｌｔｅｒｒａ　Ｆｅｅｄｆｏｒｗａｒｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ：　Ｔｈｅｏｒｙ　ａｎｄ　ＡｌｇｏｒｉｔｈｍｓＪｉａｏＬｉｃｈｅｎｇｌ；ＬｉｕＦａｎｇ＆ＸｉｅＱｉｎ（ＮａｔｉｏｎａｌＬａｂ．ｆｏｒＲａｄａｒＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎ...     

Hammerstein系统自适应神经网络控制算法的收敛性分析

对一类确定性Hammerstein系统，给出了基于神经网络的自适应控制算法。考虑到神经网络的非线性特点，特别是其自适应学习能力，控制系统采用两个神经网络分别作为估计器和控制器，通过在线训练网络的权重来获得模型参数和控制输入。神经网络的训练用Widrow-Hoff学习规则。对算法的全局收敛性进行分析表明系统具有总体收敛性，输入输出有界。     

Adaptive integral dynamic surface control based on fully tuned radial basis function neural network

An adaptive integral dynamic surface control approach based on fully tuned radial basis function neural network (FTRBFNN) is presented for a general class of strict-feedback nonlinear systems, which may possess a wide class of uncertainties that are not linearly parameterized and do not have any prior knowledge of the bounding functions. FTRBFNN is employed to approximate the uncertainty online, and a systematic framework for adaptive controller design is given by dynamic surface control. The control algorithm has two outstanding features, namely, the neural network regulates the weights, width and center of Gaussian function simultaneously, which ensures the control system has perfect ability of restraining different unknown uncertainties and the integral term of tracking error introduced in the control law can eliminate the static error of the closed loop system effectively. As a result, high control precision can be achieved. All signals in the closed loop system can be guaranteed bounded by Lyapunov approach. Finally, simulation results demonstrate the validity of the control approach.     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

传统特征和深度特征融合的红外空中目标跟踪

新型红外诱饵的出现,对传统红外成像空空导弹作战效能的发挥造成了严峻挑战。近年来深度学习研究进展迅速,有力促进了目标跟踪领域的发展。以多域学习网络框架为基础,引入传统特征长宽比和均值对比度,将深度特征与传统特征融合在一个跟踪框架中,解决了单一特征在目标跟踪中无法有效对抗面源等复杂干扰的问题。为了评估算法性能,分别在仿真序列和实拍图像序列上进行了测试。实验结果表明,所提出算法的跟踪精度和鲁棒性优于目前经典的跟踪算法,是一种具有较强适应性的红外空中目标跟踪方法。