小型水下自航行器动力学建模与控制

水下自航行器动力学建模是其控制研究的基础,为此基于Newton-Euler法建立了水下自航行器的一般动力学模型,其模型具有复杂非线性特征．利用解耦和摄动理论对模型进行了合理简化,将控制系统分解为弱耦合的子系统．基于简化模型设计了航速、航向、纵倾和深度控制器,仿真结果证明了自航行控制的鲁棒性和稳定性。     

欠驱动水下航行器编队协同控制

针对复杂海况中欠驱动无人水下航行器（UUV）的水平面上编队问题,结合路径跟踪控制和一致性算法构建编队运动控制策略.将编队任务分为两步:1）对于每个UUV个体设计路径跟踪控制器,完成对各自期望路径的跟踪;2）对于多个UUV之间设计一致性协同算法,完成UUV编队的协同运动;编队控制器设计考虑了外界海流干扰及UUV模型参数不确定性等因素.针对海流干扰设计干扰观测器,利用自适应技术对参数不确定性进行在线估计,最后通过仿真验证了所设计编队控制策略的有效性.     

分布式控制框架实现水下航行器群协调控制

提出一种两层分布式控制框架来实现水下航行器群体的协调控制目标.这种框架在结构上分为一致协调器网络层和本地控制层.上层的协调器网络通过群体的非线性一致算法使得各航行器的输入参考值渐近达成一致.本地控制层通过线性二次型高斯回路传输恢复(LQG/LTR)控制器实现对参考输入的快速跟踪.证明了非线性一致算法的收敛性并定量地分析了群体拓扑和一致算法参数等因素对收敛速度的影响.仿真实验验证了该方法的有效性和可行性.     

自主水下航行器事件触发自适应神经渐近深度跟踪控制

针对自主水下航行器(AUVs)在未知模型动力学和环境干扰作用下的高精度深度跟踪控制问题,设计一种事件触发自适应神经渐近跟踪控制器。采用径向基神经网络(RBF NNs)逼近模型中的非线性不确定项,将积分有界函数融入控制律和自适应律中,以实现跟踪误差的渐近收敛;采用最小学习参数(MLPs)技术压缩神经网络权重,构造单参数自适应律;在控制器至执行器通道上应用事件触发机制,构造变量式事件触发条件,避免“Zeno”现象;应用径向基函数的不等式关系,解决“代数环”问题;采用Laypunov直接法和Barbalat引理对闭环系统的稳定性进行分析,证明跟踪误差的渐近收敛。仿真试验验证本文控制策略可实现高精度深度跟踪。     

海流作用下全驱动自主式水下航行器环境最优动力定位控制

针对海流作用下的全驱动自主式水下航行器(AUV)的动力定位控制,提出了一种新的环境最优动力定位控制策略.通过位置、姿态控制,使得水下航行器的头部“顶住”海流,并和目标点保持一定距离,此时海流的扰动力由轴向主推进器承担,减少了辅助推进器的工作量,同时降低能源消耗.考虑到海流作为系统模型中的非匹配不确定性,基于神经网络自适应反演法设计了动力定位控制器.通过计算机仿真,验证了控制算法的有效性以及鲁棒性.     

浅水域探测型无人水下航行器海洋动能发电装置特性研究

为了解决浅水域探测型无人水下航行器探测模块长时连续工作时对能源的需求,设计了基于海洋动能的晃动发电装置,根据拉格朗日方程建立了航行器与晃动摆耦合的运动方程,最后根据简化的运动方程,采用龙格库塔方法求解并分析了影响晃动发电性能的因素,研究了不同海况下航行器运动幅度、周期、摆长、质量、转动惯量等参数以及不同运动耦合对发电性能的影响。在2级海况下,最佳电机阻尼系数为5.4N·m·s/rad,3种激励运动耦合时发电装置平均功率能够达到0.5W。研究分析表明,提出的基于海洋动能发电装置模型是合理可行的,在一般海况下,能够满足探测模块的能源需求,同时发现运动幅度、周期、摆长、质量以及耦合横摇运动对发电性能影响较大,转动惯量以及耦合垂荡运动对其影响较小。研究结果为后期晃动发电机的研制、工程试验及优化,提供了一定的理论基础与借鉴。     

基于LESO无人水下航行器鲁棒动态面悬停控制

针对时变未知环境干扰及模型不确定下的全驱动型无人水下航行器(UUV)的悬停控制问题,提出了一种基于线性扩张状态观测器(LESO)的鲁棒动态面控制算法.首先,根据系统模型设计LESO在线估计时变环境力与模型不确定性引起的复杂干扰;然后,基于标称模型和LESO估计的UUV状态,采用反步法设计控制器,并引入动态面控制技术得到平滑的虚拟控制律导数,同时在控制律中引入自适应鲁棒项来补偿级联控制系统的不确定性;最后,证明了UUV闭环级联控制系统的所有误差信号一致最终有界.通过对一艘全驱动型UUV的仿真实验,验证了该方法的有效性.     

具有通信约束的分布式水下航行器群编队控制

提出了具有通信约束的分布式水下航行器群编队控制算法.证明了在水下航行器群构成的动态网络拓扑为连接图的情况下,当航行器间的通信时延小于某个确定的上界时,该编队控制算法将以分布的方式使得群内所有航行器的速度和编队队形分别全局渐近地收敛至期望速度和期望队形.该算法的分布式本质使得水下航行器问的通信负担明显减轻,数值仿真结果验证了控制算法的有效性.     

一种递归模糊神经网络的广义预测控制方法

提出了一种递归模糊神经网络(RFNN),通过加入向量调节层,提高了网络对输入信息的处理能力。基于所设计的递归模糊神经网络,建立非线性系统的离散数学多步模糊预测模型,根据这一模型对系统的输出进行预测,然后利用预测控制算法得到相应的预测控制规律。仿真结果表明该方法具有较高的控制精度以及一定的抗干扰能力。     

基于CKF-SLAM改进的无人水下航行器动态目标跟踪算法研究

针对容积卡尔曼滤波(cubature Kalman filter, CKF)同步定位与建图(simultaneous localization and mapping, SLAM)算法在动态目标跟踪(object tracking, OT)的应用中,存在算法实时性不高、计算复杂以及对动态目标物跟踪精度较低的问题,提出基于平方根容积卡尔曼滤波SLAM的无人水下航行器(unmanned underwater Vehicle, UUV)目标跟踪算法(SRCKF-SLAM-OT).该算法将CKF-SLAM-OT中复杂的计算部分,利用3阶容积准则选取一组相同权值的容积点来近似计算,再利用数值积分法计算非线性方程模型的后验状态估计平均值和方差,并对协方差矩阵的平方根因子进行更新.仿真结果表明：SRCKF-SLAM-OT算法简化了计算量和改善了数值精度,提高了UUV在未知水下环境中自身定位的精度和动态目标物跟踪的能力.     

基于鲁棒神经网络的水下机器人运动控制

针对水下机器人神经网络控制中系统响应速度慢及对噪声较敏感的问题,依据变结构控制理论,提出了一种基于鲁棒神经网络的水下机器人控制方法E利用指数趋近律,推导出神经网络参数的镇定算法,并采用标准误差反向传播(EBP)算法最小化目标函数,最后在水下综合探测机器人仿真平台上进行了试验研究E试验结果表明,该控制方法对神经网络学习率的改变和外界扰动有很强的鲁棒性,大大降低了机器人机械传动系统的磨损,且能够保证神经网络快速、稳定地学习,从而满足实时性控制的要求,具有较高的理论和实用价值.     

基于神经网络模糊控制的单交叉口信号控制

在分析城市交通信号控制研究现状的基础上,提出一种基于神经网络模糊控制的单路口交通信号灯控制方法,通过检测当前相位的排队长度和下一相位的排队长度得出当前相位以及下一相位的车流密度,进而判断是否进行相位变换.以每个周期内交叉口的车辆平均延误作为控制指标,来判断该控制器的控制性能.计算机仿真结果表明,该方法能够降低车辆在交叉路口的平均延误.     

基于模糊神经网络的交通灯智能系统

设计了一个使用模糊和神经网络的交通灯智能系统.此系统能根据汽车重量、长度和速度来改变信号灯等待时间.通过计算机仿真表明,此方法比固定时间信号灯更有效.新方法的汽车平均等待时间减少,通过十字路口的速度较快以及燃料消耗都会提高.     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

应用聚类和模糊神经网络方法设计模糊规则库

基于聚类技术和模糊神经网络提出一种新的自动生成模糊系统规则库的设计方法.采用结构辨识和参数辨识相结合的方法,构造模糊系统完善的模糊规则库.用此设计方法对函数逼近问题进行仿真,结果表明该方法具有规则数目少、学习速度快、建模精度高等特点.     

用于控制图模式识别的广义神经网络系统

面向过程控制图的模式识别,提出了一个广义神经网络系统.该系统基于广义过程对象模型发生数据,离线训练后能够在线识别各类工业过程常见的控制图模式,模块化的设计使得神经网络系统的结构相对简单,有效地提高了网络的训练速度和模式识别的准确率.首先研究了广义过程对象模型参数对神经网络控制图模式识别率的影响,并基于此影响规律设计了包含模式识别分类模块与模式参数估计模块的集成化神经网络系统结构;其次使用基于广义对象模型产生的数据对神经网络系统进行了训练和验证,讨论了学习训练方法,并进行了控制图模式识别性能的仿真测试,获得了满意的结果.在TE过程仿真平台上进行了实验,给出了对上升阶跃模式和下降阶跃模式的识别结果,表明了具有较高的识别率.     

基于GD-FNN的药物注射系统辨识

针对手动控制调节药物注射量缺乏正确性和低效的特点,将广义动态模糊神经网络（GD-FNN）应于药物注射系统辨识。学习算法在动态模糊神经网络算法基础上进行改进,以模糊完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性。同时,该算法能对模糊规则而且能对输入变量的重要性做出评价,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。通过对药物注射系统的辨识和控制仿真实验表明改进后的广义动态模糊神经网络与动态模糊神经网络相比,可取得更好学习效率和辨识精度。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

混沌Arneodo系统非线性与自适应模糊神经网络控制

针对Arneodo系统的参数不确定性,阐述了Arneodo控制系统中抵消非线性的基本思想和设计方法.利用LQR线性反馈技术,设计了具有稳定裕度的二次型最优控制器,同时在控制器中引入一个用于函数逼近的自适应模糊神经网络,利用该神经网络抵消控制系统中的非线性项,使受控系统的某一状态变量可被镇定到任意参考位置.这种具有模糊神经网络的控制器实现了参数不确定系统的精确反馈线性化控制.通过仿真比较研究,说明了反馈线性化与自适应神经网络相结合的控制器具有良好的控制性能,且更易实现.     

正规化模糊神经网络在自动车控制中的应用

：把模糊理论与神经网络理论相结合,构造了一个正规化模糊神经网络ＮＦＮＮ,并应用于无人小车自动轨迹跟踪的控制。仿真及试验结果表明,该网络具有良好的表达能力和极强的自适应学习能力,能正确识别较复杂的轨迹。