基于RBF网络的BTT导弹逆控制研究

运用RBF神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,并以辨识模型为控制器与BTT导弹控制系统串联构成一个动态伪线性系统,进而应用逆系统方法设计了一种用于解决BTT导弹非线性控制问题的经典控制与神经网络在线自学习相结合的控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪.仿真结果表明,该方案可依据设计指标的要求,实现对BTT导弹的非线性控制,且具有较强的鲁棒性.     

非线性系统自适应逆设计及应用

对于一类存在输入未建模动态的非线性系统,提出了一种基于RBF神经网络的自适应逆补偿器设计方法。首先应用两个神经网络设计了补偿器,一个用来估计输入未建模动态,另一个用来作为未建模动态的自适应逆补偿器。该设计放宽了对未建模动态的一些苛刻的要求,如相对度为零,满足小增益条件等。仅要求D(u)逆稳和连续光滑。然后应用反演设计技术设计了控制器,并应用Lyapunov稳定性理论推导出神经网络权重向量的调节律,同时证明了闭环系统的渐进稳定性。最后给出的BTT导弹纵向控制系统设计仿真实例证明了该设计方法的有效性。     

带推力矢量空空导弹的神经网络控制与仿真

对于新型空空导弹为了使导弹获得更高的的机动性、敏感性和更高的导引精度，大多采用推力矢量控制方案，因为神经网络控制对于系统非线性变化具有很强自适应能力，因而在解决带推力矢量空空导弹的控制问题时有较明显的优点，本文在给出推力矢量空空导弹数学模型的基础上，提出了两种适用于带推力矢量空空导弹的神经网络控制方案，并采用其中的双网络逆动态学习控制方法进行了自动驾驶仪设计，为进一步改善该神经网络的学习效果。还引入基于学习经验的模糊规则。数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性。     

基于径向基网络的前馈反馈自适应控制器

对于非线性被控对象，当存在未建模动态，参数摄动或对象动力学特性时变时难以实施有效的控制，为此，我们利用径向基函数神经网络，并将前馈和反馈控制方案相结合，提出一种鲁棒性强、实时性好、能控制非最小相位系统的神经网络前馈反馈自适应控制器。仿真结果表明了该方案的优良特性。     

一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

基于RBF网络非线性系统逆控制的一种设计方案

基于逆动力学控制的思想,提出一种RBF神经网络逆控制与PID控制相结合的在线自学习控制方案。辨识器采用RBF神经网络结构和最近邻聚类算法,实现了对系统逆动力学模型的动态辨识。并将辨识模型作为控制器模型,与被控对象串联,构成一个动态伪线性对象,从而使非线性对象的控制问题转换为线性对象的控制问题。仿真实验证明该控制策略不仅能使系统具有良好的动态跟踪性能和抗干扰能力,而且具有较强的鲁棒性。     

电液伺服加载系统的神经网络逆控制

针对液压加载系统及试件的特殊要求，采用基于径向基函数网络（RBFN）的逆控制器给出了该NARMA模型及逆模型存在的条件。该方法使用实际系统的输入输出信号以及径向基函数网络实现系统建模，并利用系统神经网络模型离线训练系统的逆动态作为控制器，以克服由于实际系统所受的扰动而可能引起的控制器（逆模型）不收敛，实际控制表明该系统对期望加载轨线具有良好的跟踪能力，同时对系统干扰和不确定性具有较强的鲁棒性。     

基于神经网络的BTT导弹鲁棒动态逆设计

针对存在不确定性的BTT导弹系统,基于神经网络提出了一种鲁棒动态逆控制系统设计方法。首先应用双时标假设将BTT导弹动力学分离为快变状态动力学和慢变状态动力学。然后,在巧妙地利用导弹气动参数特性设计Lyapunov函数的基础上,对快变状态动力学和慢变状态动力学分别进行动态逆控制设计。设计中应用RBF神经网络来逼近系统中存在的不确定性,证明了闭环系统的所有信号均有界且指数收敛至系统原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果验证了该算法的有效性。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

单侧机翼损伤飞机的神经网络自适应鲁棒非线性控制

针对飞机飞行中单侧机翼突然损伤问题,结合对损伤飞机的特性分析,提出基于神经网络自适应补偿的鲁棒非线性模型逆控制方法。利用未损伤飞机模型伪控制量中的单隐层神经网络自适应项和鲁棒项,并联合e modification自适应律对模型误差、外界扰动、神经网络近似误差进行补偿。除此之外,利用动态非线性阻尼技术对上述伪控制律进行扩展,从而适应损伤机体未建模舵动态。最后对上述算法进行严格的稳定性证明,并推导了逆过程的实现方法。仿真结果表明在单侧机翼突然损伤并伴随外部扰动和未建模舵动态下,该控制方法具有较强的稳定性和鲁棒性。     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

微型涵道飞行器的自适应逆控制方法

微型涵道飞行器可以悬停、垂直起降和前飞,且安全性高、结构紧凑、噪声低。但是,微型涵道飞行器由于大飞行包线、特殊气动布局、低速度、小尺寸和复杂飞行环境,所以具有明显的非定常和非线性飞行力学特性。针对这一问题,研究了应用动态逆控制律的新方法--神经网络自适应逆。采用动态逆控制器、神经网络补偿器、比例微分(proportion-derivative,PD)补偿器和伪控制补偿器构建了微型涵道飞行器飞行控制系统。仿真结果表明,相比动态逆 比例积分微分(proportion-integral-derivative,PID控制系统,本文设计的自适应逆控制系统具有更强的稳定性和鲁棒性。     

网络环境下的不确定非线性系统远程智能控制

针对一类网络环境下的不确定非线性动态系统,提出了一种基于神经网络非线性补偿和线性反馈控制相结合的智能远程控制方法。该方法通过构造神经网络在线估计器学习局部子系统的非线性特性,从而将局部子系统线性化,神经网络权重的在线学习没有持续激励的要求,且可保证闭环误差系统一致最终有界稳定。最后对线性化的闭环时延控制系统,远程控制器采用基于李亚普诺夫(Lyapunov)稳定性理论的线性状态反馈控制,从而保证了整个闭环网络控制系统的稳定性。     

基于PCA-RBF神经网络的工业裂解炉收率在线预测软测量方法

为了解决工业裂解炉收率在线预测的问题,研究了基于PCA(principal component analysis)-RBF(radial basis function)神经网络模型的多输入多输出(MIMO)软测量方法及其在线校正技术。该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉收率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点。本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的。     

一类基于神经网络的非线性模型预测控制

在研究非线性对象输入/输出数据的基础上，将对象输出的Taylor级数展开式取线性项作为预测模型，提出一种非线性系统模型预测控制算法，为了保证预测模型的准确性，以神经网络做辩识器估计系统建模误差，对非线性对象进行单频预测控制，理论上已证明三层BP网能任意逼近L2上的非线性函数，本文通过仿真研究也表明了当神经网络逼近系统建模误差时，所提出的预测控制算法对复杂非线性对象能达到良好的控制效果。     

基于自适应模型非线性系统容错控制的研究

针对未知的多变量非线性动态系统,提出了一种新型的自适应故障容错控制方法。该方法首先通过设计一个自适应RBF神经网络模型建立未知过程的动态模型,并利用扩展卡尔曼滤波算法在线调节RBF网络权值学习系统的时变参数和故障动态,然后设计基于此模型的自适应迭代逆模控制算法实现相应的容错控制策略。将容错方法成功应用到一个连续的多变量三水箱过程。     

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。     

基于一种新型动态神经网络的非线性自适应逆控制

根据生物神经元的机能,提出了一种具有动态激励函数的新型神经元模型,由此构成的神经网络(DAFNN)应用在非线性自适应逆控制中时只需要确定隐层神经元个数,从而克服了用NARX回归神经网络时需确定输入和输出延时阶数及隐层神经元个数等多个参数的不足。通过对单输入单输出(SISO)及多输入多输出(MIMO)非线性系统的自适应逆控制仿真研究,证实了DAFNN是一种很好的非线性系统建模和控制工具。     

神经网络自适应广义预测解耦控制器的设计

提出了一种神经网络补偿自适应广义预测解耦控制方案，即用神经网络逼近通道间的耦合、非线性及未建模动态，且采用了改进RLS辨识算法及用后能改善辨识效果，从而增进自适应控制的精度与鲁棒性，能解决参数不确定的非线性多变量耦合问题，给出了该算法的实现原理及步骤。理论分析和仿真结果表明，该方案是有效的。