基于Lyapunov方法的卫星非线性姿态控制

为研究卫星的非线性姿态控制器设计问题,首先给出了带有非线性耦合项以及环境干扰力矩项的卫星姿态动力学方程,然后基于Lyapunov理论设计了一个新的姿态控制器。该方法克服了由引力梯度力矩项引起的控制系统设计的困难,保证了在引力梯度力矩影响下的姿态控制系统的Lyapunov稳定性,同时可通过选择一个参数使系统状态尽可能接近平衡位置。对卫星的姿态动力学模型没有进行线性化及解耦处理,而是保留了模型中小角度所引起的二阶小量,从而保证了姿态控制精度。仿真结果验证了该控制器的有效性。     

基于深度强化学习的无人机姿态控制器设计

为了能让四旋翼无人机的姿态控制器具有强大的目标值追踪与抗外部干扰的能力,提出了一种基于参考模型的深度确定性策略梯度的四旋翼无人机姿态控制器设计。该方法通过神经网络,将四旋翼无人机的状态直接映射到输出。本文的强化学习算法是结合深度确定性策略(deep deterministic policy gradient,DDPG)和深度神经网络所设计的。在DDPG算法结构中,进一步加入参考模型,规避控制量太大造成的系统超调,增强了系统的稳定性以及鲁棒性。同时,修改了强化学习中奖励的构成,成功消除了系统的稳态误差。经过研究实验表明,该控制方法可以对目标值进行快速地追踪且有着较强的鲁棒性,可见该控制器相比于传统的控制器,提高了其目标值追踪能力以及抗干扰能力。     

基于滑模观测器的卫星姿态控制系统滑模容错控制

针对卫星姿态控制系统执行机构故障,设计了基于滑模观测器的滑模容错控制律.采用迭代学习算法在线调节观测器滑模项切换增益,设计滑模观测器估计卫星姿态和角速度.在此基础上,将执行机构故障作为系统的未知动态,提出一种对卫星姿态控制系统执行机构故障不敏感的滑模容错控制方法.该方法利用系统输入和状态信息,结合动力学特性实现未知动态估计,以此设计滑模控制律.通过数字仿真验证了该容错控制方法的有效性.     

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场 (MRF) 模型和多层前馈神经网络进行纹理分割的方法.利用二阶高斯MRF模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量，并且利用改进的BP算法对特征进行分类.对纹理图像进行的实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果.     

基于多层前馈神经网络的数据压缩方案

利用多层前馈神经网络的非线性映射能力,通过构造特殊的映射关系,提出了一种较为理想的数据压缩方案．数据压缩比达到7：1．该方案只分析音频、图像等数据信息并进行理想压缩,对其数据格式、内容等不予考虑．通过试验证明了该方案的可行性．     

基于Simulink/Stateflow的小卫星姿态控制模块设计与仿真研究

针对小卫星在轨自主运行的需要,对其姿态控制模块进行设计与仿真研究,其中使用修正罗德里格参数描述卫星姿态运动并进行姿态控制律设计,使用Stateflow设计了六种姿态控制模式及其转换逻辑并结合Simulink搭建了姿态控制仿真系统。根据对地定向模式、目标指向模式、闲置模式的时序指令进行了姿态控制仿真分析,三种模式下姿态均收敛,说明了姿态控制律设计和姿态控制模式之间转换逻辑设计的正确性。     

基于Simulink/Stateflow的小卫星姿态控制模块设计一仿研究

针对小卫星在轨自主运行的需要,对其姿态控制模块进行设计与仿真研究,其中使用修正罗德里格参数描述卫星姿态运动并进行姿态控制律设计,使用Stateflow设计了六种姿态控制模式及其转换逻辑并结合Simulink搭建了姿态控制仿真系统.根据对地定向模式、目标指向模式、闲置模式的时序指令进行了姿态控制仿真分析,三种模式下姿态均收敛,说明了姿态控制律设计和姿态控制模式之间转换逻辑设计的正确性.     

基于覆盖算法与多层前馈网络的案例库维护

针对运行在电子商务等交互式应用领域中的案例推理系统时,其案例库的规模很容易达到成千上万条且不能削减的特点,提出同时从两方面着手完成案例库维护:一方面用覆盖算法将案例库划分成覆盖领域,实现案例的选择性过滤使用;另一方面应用多层前馈神经网络改进案例匹配,提高检索效率.实验表明,该方法可以用来处理海量的高维数据,保证了系统的可用性.     

多变量模糊控制系统的前馈解耦

为实现多变量模糊控制系统的动态解耦，基于前馈解耦思想和神经网络理论，提出了一种多变量模糊控制系统解耦的新方法——模糊前馈解耦法,模糊控制器和解耦部分独立设计，解耦由两层神经网络实现，节点少，其活化函数采用分段线性函数．利用简化的学习算法，根据系统输出误差，在线调整网络权值，从而实现动态解耦而无需辨识被控对象的模型，该方法结构简单且计算量小，适于实时多变量过程控制，仿真证明了该方法的有效性。     

基于BP神经网络的多变量解耦控制研究

针对多输入、多输出耦合对象，研究基于BP神经网络的解耦控制，提出采用训练好的神经网络解耦器和神经网络调节器结合，对系统进行解耦控制的方法。通过对2输入2输出耦合对象进行计算机仿真结果表明，解耦控制效果很好。     

基于自适应神经网络内模控制的控制器设计实现

基于内模控制的思想,利用前馈神经网络的逼近能力,将其与自适应内模控制方案结合,并取目标函数作为优化指标;从而推导出一种能对线性系统进行有效控制的神经网络间接自适应内模控制器。     

同步发电机监督学习神经网络励磁控制器

应用神经网络的监督学习控制(SNC)方法,在线性最优励磁控制的基础上,利用神经网络对同步发电机的励磁控制过程进行监督学习,设计出基于SNC的同步发电机励磁控制律。仿真结果表明,所设计的SNC在系统运行方式较大的变化范围内,都能提供很好的阻尼特性和良好的控制性能,并且控制结构简单,有较强的实时性和适应能力。     

基于神经网络专家系统的卫星姿态确定系统故障诊断

介绍了一种基于人工神经网络与专家系统相结合的智能故障诊断系统,将专家系统与神经网络结合运用取长补短,发挥各自的优势.给出了系统的结构组成,并具体描述了神经网络专家系统的工作原理.采用的RBF网络有效地克服了BP网络收敛速度慢,且易陷入局部极小的缺陷.同时利用神经网络的并行处理功能,有效地解决了传统专家系统的推理复杂、时间冗余等缺点.仿真结果证明了该方法应用于卫星姿态确定系统的故障诊断是有效的.     

神经网络仿PID参数自适应控制器及其应用

介绍了基于BP神经网络的仿PID自适应控制器，给出了控制算法，推导了基于变形Elman网络的系统辨识算法，仿真及应用表明此方法是可行的。     

模糊神经网络局部通风机调速控制器

为提高煤矿局部通风机的调速能力,采用模糊控制与神经网络技术,设计了局部通风机智能调速控制器。该控制器由瓦斯检测、风速检测、模糊神经网络控制器、变频调速器和局部通风机五部分组成,采用多层前向神经网络输出控制量。仿真结果表明：通风机速度曲线与实际电机速度曲线误差很小,模糊控制与神经网络的结合能够克服传统线性和非线性控制的缺点,较好地实现煤矿局部通风机的调速,提高了系统的鲁棒性。     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

基于模糊神经网络分类器的精馏塔温度控制器设计

文章对精馏塔温度控制中所遇到的参数耦合严重、非线性高、数学模型难以建立的问题,提出了一个基于模糊神经网络分类器的控制方案,以精馏塔温度、流量、液位作为输入,导热油阀门开度作为输出,通过对人工操作的自适应学习和模糊化处理,实现对精馏塔温度的智能控制。实验结果表明,该方案能够模仿人工操作,智能学习的精度很高。     

基于小波神经网络的自适应控制器设计

针对一类未知非线性系统,设计了一种基于小波神经网络的自适应控制器,并提出了一种适合在线学习的参数混合训练算法。根据离线和在线学习系统的特性,得到小波神经网络控制器的初始参数,使用混合训练算法在线修正控制律,实现了自适应控制。仿真结果验证了该控制方案的有效性。     

卫星姿态再励学习的模糊神经控制

将再励学习的模糊神经控制引入卫星姿态控制中，给出详尽的实现方法，推导了模糊神经控制器的自学习算法．直接利用再励信号，对控制器的参数进行在线调节，不需要控制器的学习样本．仿真结果表明该控制算法能有效地克服卫星的不确定性，具有较强的鲁棒性，可实现较高精度的卫星姿态控制．