Trajectory linearization control of an aerospace vehicle based on RB F neural network

An enhanced trajectory lineazization control(TLC)structure based on radial basis function neural network(RBFNN)and its application on an aerospace vehicle(ASV)flight control system are presensted.The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability,and a robustifying item is used to overcome the approximate error of RBFNN.The parameters adaptive adjusting laws are designed on the Lyapunov theory.The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory.Finally,the flight control system of an ASV is designed based on the proposed method.Simulation results demonstrate the effectiveness and robustness of the designed approach.     

一种基于离散粒子群的自适应径向基网络模型

提出了一种基于离散粒子群的自适应RBF网络模型。即融合两个二进制编码粒子群,通过对最近邻聚类中心选择法的改进,RBF网络模型能自适应地优化隐节点数、中心向量与宽度,且在保证网络性能的前提下,使网络的结构相对简单(较少的隐层节点数)。同时为进一步提高网络性能,采用梯度下降法与递推最小二乘法混合学习策略,分别对基函数参数(中心与宽度)和输出层线性权值进行学习。仿真实验证明了该方法模型的有效性。     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

径向基函数网络泛化能力研究及其应用

通过分析径向基函数网络(RBF网络)结构及影响其泛化能力的因素,提出一种通过网络泛化误差自动调节隐层节点数以得到最佳节点数的方法。将采用这种算法的RBF网络用于对船舶焊接变形过程进行建模并预测其输出。仿真表明这种算法可以显著提高传统RBF网络的泛化能力。     

Trajectory linearization control of an aerospace vehicle based on RBF neural network

An enhanced trajectory linearization control （TLC） structure based on radial basis function neural network （RBFNN） and its application on an aerospace vehicle （ASV） flight control system are presensted. The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability, and a robustifying itera is used to overcome the approximate error of RBFNN. The parameters adaptive adjusting laws are designed on the Lyapunov theory. The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory. Finally, the flight control system of an ASV is designed based on the proposed method. Simulation results demonstrate the effectiveness and robustness of the designed approach.     

基于RBF网络的中国信贷规模稳健预测

将M-估计稳健损失函数与基于统计贡献度的动态确定核函数方法相结合, 提出一种有效的非参数RBF预测模型, 该方法克服了稳健性缺失问题, 在估计参数的同时动态确定最佳网络结构, 并且在学习中自动消除噪声和异常点的影响, 加快了网络的学习和收敛速度. 利用中国月度信贷数据进行实证分析表明, 本文模型与基准模型相比具有最好的预测稳健性和准确性, 对于提高货币政策有效性和前瞻性具有很好的应用价值.     

基于RBF神经网络的柔性机构动态响应辨识模型

通过神经网络技术对柔性机构复杂的非线性动态响应进行辨识,建立了柔性机构运动参数的辨识模型。利用径向基函数(radial basis function,RBF)神经网络优异的非线性逼近能力,建立了柔性机构动态响应的辨识模型。将机构的驱动力矩、阻尼力矩和非线性运动参数分别作为RBF神经网络的输入样本和期望输出样本。建立了RBF神经网络的拓扑结构,利用样本数据对其进行训练。通过空间站柔性展开机构模型进行动态响应的辨识,结果表明辨识的收敛速度快,精度高。该方法为复杂大系统的建模和分析提供了一种理想的途径。     

一种新型的灰色RBF神经网络建模方法及其应用

针对神经网络建模预测时,其建模精度往往受到数据随机性的影响,以及灰色累加生成操作(AGO)具有减小数据随机性,使数据变得有规则的特点,提出了一种新型的建模预测模型———灰色径向基(RBF)神经网络模型。此模型能够减小数据中的随机性,加快网络的建模收敛速度,使神经网络的建模精度得以提高。将此灰色RBF神经网络应用到动调陀螺仪漂移数据建模中,并将其建模验证结果和单纯使用RBF网络的建模结果进行比较,结果证明此方法是可行而有效的。     

基于Pareto定律参数优化的径向基近似建模

针对传统留一交叉验证法计算量大不适用于大规模复杂系统的问题,借鉴经济学中的Pareto定律,选择对全局误差大小起决定性作用的样本点作为关键点,对留一交叉验证法进行了改进,提出了基于Pareto定律的留一交叉验证方法。针对径向基模型形状参数的优化选择问题,将基于Pareto定律的留一交叉验证方法应用于形状参数的优化,提出了基于Pareto定律参数优化的径向基模型构造方法。测试表明,该方法构造的径向基模型具有良好的近似精度和较高的计算效率,具有推广的价值。     

一种基于神经网络的任意模型参考自适应控制

针对一般模型参考自适应控制方法在解高阶非线性模型时参考模型阶数较高的不足,采用一种任意模型参考自适应控制降低了参考模型的难度。利用隐层神经网络对模型进行逼近,对线性化时由不确定因素导致的误差进行补偿,并利用直接Lyapunov稳定性理论证明了跟踪误差有界,最后将其应用到飞行器纵向非线性模型的自动着陆下滑控制设计中。仿真结果表明,所设计的控制器能够使飞行器较好地跟踪理想着陆轨迹,从而验证了方法的有效性。     

动态面过失速机动飞行控制律的设计

提出了一种基于B-spline网络和动态面控制方法的过失速机动飞行控制律设计方法。针对飞机气动力和力矩的非线性和不确定性,引入具有学习和记忆功能的B-spline网络,自适应逼近飞机的气动力和力矩,加快参数收敛速度,改善系统的过渡过程性能。动态面飞行控制律消除了Backstepping设计方法中由于对虚拟控制反复求导而导致的复杂性问题。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致毕竟有界,并且通过适当选择设计参数,跟踪误差可收敛到原点的一个小邻域内。大迎角过失速机动飞行的数值仿真验证了方法的有效性。     

一类纯反馈非仿射非线性系统的自适应神经网络变结构控制

研究了一类非仿射的纯反馈单输入单输出非线性系统。针对此系统,在中值定理、神经网络参数化和解耦Backstepping的基础上,提出了一种自适应变结构神经网络控制策略,而且所给出的定理证明闭环系统的所有信号在平衡点上是半全局一致有界的。通过对一个非仿射CSTR对象的仿真验证了该方法的有效性。     

Adaptive dynamic surface control for air-breathing hypersonic vehicle

This paper describes an adaptive control approach for an air-breathing hypersonic vehicle.The control objective is to provide robust altitudes and velocity tracking in the presence of model uncertainties and varying disturbances.A fuzzy-neural disturbance observer is developed to estimate uncertainties and disturbances,and the adaptive controller is synthesized by the dynamic surface approach combing with the observer.The tracking error at the steady state can be guaranteed to converge to inside of a small residue set which the size of the set can be an arbitrary small value.Simulation results demonstrate the effectiveness of the presented approach.     

基于多分辨率学习的正交基小波神经网络设计

提出一种基于正交基函数的小波神经网络设计方法，采用多分辨率学习确定隐含层结构，并用收敛较快的阻尼最小二乘法训练权值．该方法可灵活调整隐含层结构，有效地克服神经网络中常见的过拟合和泛化能力差等问题．传真结果表明该方法具有逼近精度高，泛化能力好，网络结构冗余度小，参数优化收敛快等特点．     

基于神经网络一类非线性系统自适应控制

对一类未知可控非线性仿射系统,假设其状态不完全可测。首先,利用动态回归神经网络建立其状态方程和输出方程,用Lyapunov理论证明了辩识误差∈L∞;然后,设计状态反馈控制器,使系统的输出跟踪参考输出,从理论证明了跟踪误差趋于零。最后,通过一个仿真实验验证了本方法的有效性。     

Adaptive neural network tracking control for a class of unknown nonlinear time-delay systems

1 .INTRODUCTIONNeural network (NN) control has made great pro-gress in past decades[1 ~4]. In Ref .[1] , adaptivebounding design technique was applied to adaptiveneural control for a class of strict-feedback nonlin-ear systems . The requirement of a known boundon the network reconstruction error was removed.By introducing an integral Lyapunov function,anadaptive NN control approach was proposed forunknown strict-feedback nonlinear systems[2],where the controller singularity problem was …     

Application of neural networks for permanent magnet synchronous motor direct torque control

Neural networks require a lot of training to understand the model of a plant or a process. Issues such as learning speed, stability, and weight convergence remain as areas of research and comparison of many training algorithms. The application of neural networks to control interior permanent magnet synchronous motor using direct torque control （DTC） is discussed. A neural network is used to emulate the state selector of the DTC. The neural networks used are the back-propagation and radial basis function. To reduce the training patterns and increase the execution speed of the training process, the inputs of switching table are converted to digital signals, i.e., one bit represent the flux error, one bit the torque error, and three bits the region of stator flux. Computer simulations of the motor and neural-network system using the two approaches are presented and compared. Discussions about the back-propagation and radial basis function as the most promising training techniques are presented, giving its advantages and disadvantages. The system using back-propagation and radial basis function networks controller has quick parallel speed and high torque response.     

基于小波变换和神经网络的水下宽带回波分类

目标识别是水下信息处理系统的主要任务之一,针对此问题,从目标识别的三个基本环节研究了水下宽带回波的分类。首先基于连续小波变换提取了实测莱蒙湖底回波的尺度———小波能量谱,以径向基函数作为分类器,得到了很好的分类效果。接着给出了三种选择特征的准则,并研究了这三种准则对分类效果的影响,结果表明,这三种方法都可以在保证分类准确度的同时有效降低特征维数。     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。