飞机舵机电动加载系统多余力矩抑制方法

针对飞机舵机电动加载系统存在多余力矩干扰的问题,提出了以改进型基于信度分配的小脑模型关节控制器为前馈控制,以增量式比例积分微分(proportion integral derivative,PID)为反馈控制的复合控制策略。在前馈控制器中,结合变刚度金属——橡胶缓冲弹簧、力矩测速反馈及梯度加载法,采用基于Sigmoid函数变平衡学习常数的权值调整算法,设计三维参考输入型神经网络结构。在反馈控制器中,采用增量式PID控制解决积分项溢出问题,同时为神经网络提供训练学习样本,最后通过理论分析证明改进算法的收敛特性及闭环系统的稳定性。仿真结果表明,该方法提高了系统的加载精度及在线实时控制能力,在一定程度上抑制了多余力矩干扰。     

飞行器半实物仿真中自适应电动加载系统设计

在飞行器半实物仿真系统中,需要精确模拟飞行器舵面气动载荷,针对舵机运动产生的多余力矩对系统性能的影响,通过构造自适应前馈控制器设计了自适应电动加载系统.基于模型参考自适应控制(MRAC)原理,通过构造合适的李亚普诺夫函数,证明了系统跟踪误差的渐近收敛性.仿真结果表明,自适应电动加载系统有效抑制了多余力矩,系统具有良好的跟踪性能.     

基于RBF的机械手建模误差补偿自适应控制

针对机械手动力学建模误差,提出了基于RBF神经网络误差补偿的自适应控制策略。在基于逆动力学的计算力矩控制方法的基础上,对系统输入与目标轨迹进行修正,设计了两种误差补偿自适应控制器。利用RBF神经网络对修正项在线自学习,并根据Lyapunov稳定性理论建立了网络权重自适应学习律,保证了跟踪误差的收敛及系统的稳定。以平面转动双臂机械手轨迹跟踪为例进行仿真,结果表明该方法能够有效地补偿建模误差,提高了系统的控制性能并使控制系统具有对参数摄动的鲁棒性,对于机械手自适应控制具有一定的可行性。     

基于小波神经网络的图像重建算法研究

针对传统的图像重构算法的不足,提出一种基于小波神经网络的图像重建快速学习算法。运用小波神经网络对图像重构进行了仿真研究。实验表明,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,收敛速度快,近似精度高,而且网络规模比较小,计算量少。对计算机视觉和图像处理具有良好的应用价值。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

基于GA的模糊神经网络控制器的设计与仿真

提出了一种基于改进遗传算法（GA）训练结构和参数的神经网络控制的算法,它采用并行的模糊推理网络,具有自适应自学习的特点,将该算法得到的控制器用于实际工业对象模型的温度控制仿真,结果令人满意。     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

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。     

基于改进迭代学习的参数不确定卫星姿态控制

针对卫星运行时存在的诸如在轨组装升级后的卫星转动惯量变化较大且难以确定等问题,提出一种基于改进预测迭代学习控制的姿态敏捷机动控制方法。首先,以改进递阶饱和控制作为反馈控制器,实现原系统的稳定。其次,加入改进预测迭代学习控制作为前馈控制器,提高系统动态性能、鲁棒性与敏捷性。然后，采用基于混合执行机构的零运动操纵律提供高精度大力矩，并解决控制力矩陀螺奇异和飞轮饱和问题。最后,通过仿真证明所提控制器的优越性。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

基于RBF神经网络的分数阶混沌系统的同步

针对分数阶混沌系统的同步问题,提出一种基于径向基函数(Radial BasisFunction,RBF)神经网络的控制器。利用RBF神经网络对同步误差系统进行补偿控制,神经网络的权值可以在线调整,使得同步误差渐近收敛到零点。基于Lya-punov稳定性理论,分析了该控制器的稳定性。分别以分数阶Chen系统的同步和分数阶Liu系统的同步为例进行了数值仿真,仿真结果验证了所设计的控制器的有效性和鲁棒性。     

基于Elman网络结构的惯导平台漂移模型辨识方法

针对惯性导航平台漂移误差高阶非线性动态系统的特点,利用神经网络的任意逼近能力和自适应抽取系统动态信息的能力,提出基于Elman网络结构的惯性导航平台漂移模型辨识方案。首先建立惯性导航平台漂移误差模型,并选择了用于网络辩识的输入、输出量。采用动量及可变学习速率算法加速网络的收敛;在该算法的基础上,针对网络隐层,提出的扩展非线性节点函数能更好地改善网络学习效率,满足系统辨识实时性和精确性的需要。通过测得的惯性导航平台漂移误差数据对网络进行训练,获得了较为满意的辨识结果。     

一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

基于改进PSO算法的多变量PID型神经网络控制

充分利用PID结构简单、稳定性强的良好性能以及神经网络的自学习和自适应的特长,引入粒子群优化(PSO)学习算法,设计一种多变量自适应PID型神经网络控制器。神经网络的隐含层由带有输出反馈和激活反馈的混合局部连接递归网络组成,采用PSO学习算法优化神经网络参数。在深入研究分析PSO算法的基础上,引入变异因子和惯性权重自适应策略对该算法进行改进,既发挥了PSO算法随机优化收敛速度快的优点,又克服了该算法易陷入局部最优点的缺点,显著提高了控制系统的性能指标。最后,通过对二级倒立摆控制的仿真分析,证明该算法具有较强的鲁棒性。     

加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题，提出了一种加入预测信息的反馈误差学习（P-FEL）模型，该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号，使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明，P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性，同时还具有良好的平衡控制性能和鲁棒性。     

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.     

一种改进的神经网络控制方法及其仿真研究

分析了一般神经网络控制系统中学习误差选择的问题,指出系统误差不等于理论上神经网络用于学习的误差,因而网络的性能会受到影响。进而针对局部逼近神经网,提出了一种改进的控制器结构,并讨论了其学习算法。仿真实验研究表明该方法收敛速度快,学习能力强,证明其在系统控制中的合理性和有效性。     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。