基于动态逆的高超声速飞行器鲁棒自适应控制

针对高超声速飞行器运动学模型具有高度非线性、多变量耦合及参数不确定等特点,提出了一种基于非线性动态逆的控制系统鲁棒自适应控制器设计方法.该方法将飞行器的运动方程分成速度子系统和高度子系统,利用控制输入的功能分配,并结合虚拟控制指令设计与非线性动态逆技术,实现速度和高度的稳定跟踪.为消除系统中模型不确定性和外界干扰的影响,采用鲁棒自适应滑模控制策略进行补偿.仿真结果表明:所提出的控制器设计方法不仅满足飞行器速度与高度跟踪性能的要求,且对模型不确定性和外干扰具有一定的鲁棒性.      

汽车动态称重中的一种信号处理方法

为了提高汽车动态称重(WIM, Weigh-In-Motion)系统的称重精度,基于"逆模型"的思想,使用了自适应逆滤波器来充分抑制混叠在重量信号频带内的噪声信号.在有限长冲激响应滤波器的框架下,通过最小均方自适应算法,离线构建了WIM系统的逆系统,并用此逆系统作为一个新型的滤波器使用.而且,为了进一步提高称重精度,同时又采用了低通滤波器,来滤除分布在重量信号频带以外的噪声干扰.经过由自适应逆滤波器和低通滤波器构成的复合滤波器处理后, 称重结果较经参数估计方法处理后得到的结果,在称重精度上有了很大提高.      

基于自适应动态逆的自动空中加油轨迹跟踪

针对自动空中加油(AAR, Automated Aerial Refueling)的受油机轨迹跟踪控制问题,采用导引环与姿态控制环分离的控制策略,提出了基于非线性路径跟随导引和自适应神经网络动态逆的受油机轨迹跟踪控制方法.该方法将改进的非线性导引应用于受油机横、纵向导引控制,使用自适应神经网络在姿态角速率回路补偿外界干扰和系统模型误差,并利用比例-积分型姿态角速率误差动态方程设计自适应神经网络权值更新律.仿真结果表明:在受油机接近加油机过程中,该方法有效提高了受油机轨迹跟踪控制系统的抗干扰能力和对模型不确定性的自适应能力,能够满足自动空中加油的控制要求.     

不确定切换系统的鲁棒自适应控制方案

针对切换信号依赖于独立决策变量的不确定切换系统,基于多Lyapunov函数方法和模型参考自适应控制理论,提出并分析一种控制器具有非线性死区特征的鲁棒自适应切换控制方案.首先,由参考切换系统和自适应控制律集合建立闭环切换系统,而后构造Lure-Postnikov形式的多Lyapunov函数,并以一组线性矩阵不等式推导给出闭环切换系统为有界模型参考自适应控制系统的充分条件.最后,选择HiMAT(Highly Maneuverable Aircraft Technology)飞行器包线内的5个工作点,以其纵向短周期运动模型建立切换系统,并设计具有非线性死区特征的鲁棒自适应控制器.仿真验证了方案的有效性,结果表明系统在快速连续切换下可良好地跟踪期望轨迹.     

基于多点逆模型组的直升机慢切换姿态控制

针对传统直升机自适应模型逆姿态控制方法中单点逆模型的不足,提出基于多点逆模型组的慢切换控制方法.该方法构造多点逆模型组取代单点逆模型,将直升机姿态误差控制系统转化为切换系统;引入驻留时间的概念,构造慢切换逻辑,从理论上给出了系统的稳定条件.与传统方法进行了对比仿真,结果表明:该方法有效地减轻了自适应元件的补偿负担,显著提高了其控制性能;系统在切换过程中保持稳定,并具有较强的性能鲁棒性.     

面向重心变化的自适应飞行控制系统设计

重心的变化直接影响飞机本身的控制特性,使得控制系统设计更为复杂.针对已有方法模型依赖性强、鲁棒性差的局限性,提出了一种面向重心变化的非线性自适应飞行控制系统设计方法.该方法基于逆动力学理论和重心在线估计系统设计标称控制律,在此基础上引入自适应滑模控制单元来构建自适应补偿控制律,其中滑模控制用于保证控制的鲁棒性和稳定性,而自适应单元则通过对模型不确定性和重心估计误差的估计及补偿提高控制的适应性和控制性能.结合Lyapunov稳定性理论证明了闭环系统的稳定性.仿真结果表明:该方法能有效地实现对系统未知不确定因素的补偿,具有较强的鲁棒性.     

Turbo码最优周期交织器

从码字重量分布的角度分析了影响Turbo码性能的原因,介绍了Turbo码最优周期交织器的概念,然后基于这一概念,为Turbo码提供了一个新的交织器设计方法, 并对采用这种交织器的Turbo码的性能进行仿真.与几种常用的交织器相比,这样的交织器使Turbo码的性能有了很大改善,这种改善在高信噪比的环境中更为明显.最优周期交织器的应用对于实际的Turbo码交织器设计有重要的意义,对于提高移动通信系统的性能有重要价值.     

旋翼/涡轴发动机的自适应模型

基于卡尔曼滤波器研究旋翼/涡轴发动机的机载自适应模型.采用拟合法建立了状态变量模型,并将发动机性能蜕化参数作为增广的状态变量,设计了卡尔曼滤波器,从而可以根据可测参数的偏离量估计出发动机部件性能蜕化值,最后将部件性能蜕化值用于对机载模型中不可测性能参数的修正,从而使机载模型能适应发动机的非额定工作状况.通过数字仿真表明,建立的机载自适应模型能真实反映发动机的工作状况,并且在全包线范围内该模型都具有比较好的鲁棒性和实时性.     

运载火箭飞行振动信号盲源分离方法

针对振动信号在火箭复杂结构传播过程中产生强卷积效应导致振动源信号提取精度低的难题,研究了一种基于卷积盲源分离的火箭振动信号自适应提取方法。该方法基于振动源之间的独立性,建立四阶统计量的目标函数,并采用随机梯度法实现参数的自适应更新,优化建立火箭复杂结构系统的逆滤波器结构,进而得到原始的振动源信号。通过对某运载火箭发动机的高频振动数据进行分析,结果表明：相比于线性自适应盲源分离方法、非线性自适应盲源分离方法,卷积自适应盲源分离由于考虑了实际中的卷积效应和欠定情况,分离结果中能够明显找到与涡轮转动和燃烧对应的频率,以及一些宽频激励,验证了提出方法的有效性。     

基于增量模型的BTT导弹新型解耦补偿控制

详细分析了倾斜转弯(BTT, Bank-To-Turn)导弹传统动态逆控制的特点及其存在的问题,在此基础上提出了一种基于增量模型的BTT导弹解耦补偿控制方法.该方法通过建立一种描述从当前动态转移至期望动态的BTT导弹增量模型,消除了难以测量或不确定较大的模型部分;在此基础上结合动态逆控制思想设计了BTT导弹的增量式解耦跟踪控制律,与传统动态逆相比,该控制律对模型的依赖程度大幅降低;为进一步提高控制系统对干扰的适应性,提出了一种简单的干扰估计/补偿策略;最后通过数学仿真验证了该方法的有效性.     

复合舵机的神经网络自校正控制

针对复合舵机的时变和非线性特性,提出了神经网络自校正控制方法.用改进的非线性自回归滑动平均模型(NARMA)对复合舵机进行动态建模,采用多层感知器神经网络辨识舵机非线性模型,由广义逆思想设计出控制器,并根据被控对象与辨识模型间误差在线调整网络权值,进而修正控制律,实现了复合舵机的自校正控制.仿真结果表明,在模型有时变及非线性因素的情况下,此方法仍能得到较好的控制效果.      

Adaptive neural network control of nonlinear systems with unknown dynamics

In this study, an adaptive neural network control approach is proposed to achieve accurate and robust control of nonlinear systems with unknown dynamics, wherein the neural network is innovatively used to learn the inverse problem of system dynamics with guaranteed convergence. This study focuses on the following three contributions. First, the considered system is transformed into a multi-integrator system using an input–output linearization technique, and an extended state observation technique is used to identify the transformed states. Second, an iterative control learning algorithm is proposed to achieve the neural network training, and stability analysis is given to prove that the network’s predictions converge to ideal control inputs with guaranteed convergence. Third, an adaptive neural network controller is developed by combining the trained network and a proportional-integral controller, and the long-standing challenge of model-based methods for control determination of unknown dynamics is resolved. Simulation results of a virtual control mission and an aerospace altitude tracking mission are provided to substantiate the effectiveness of the proposed techniques and illustrate the adaptability and robustness of the proposed controller.     

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

基于BP神经网络的高精度陀螺恒流源补偿方法

为了提高陀螺恒流源精度,提出一种基于BP神经网络的陀螺恒流源补偿方法.采用BP神经网络训练恒流源控制指令与恒流源输出之间的非线性映射稳态模型,以实时估计恒流源输出偏差.设计恒流源控制指令补偿判据,当输出偏差超出设定裕度时,按比例对恒流源控制指令值进行实时补偿,使得恒流源输出更接近控制目标值,以实现更优的精度.通过实物在回路仿真验证了上述方案的有效性,并通过与传统对控制指令进行分段线性标定方法相比较,显示了上述方案的恒流控制优势.     

基于神经网络的自由漂浮空间机械臂 自适应鲁棒控制

针对自由漂浮空间机械臂动力学模型难以精确获得,且无法表达为关于未知参数的线性形式问题,提出基于自适应神经网络的鲁棒控制方法.对于不确定性空间机械臂系统模型中存在的未知不确定部分,利用神经网络的万能逼近特性,设计神经网络控制器来补偿未知模型,避免传统控制中的保守上界估计;采用泰勒线性化技术将神经网络隐含层中的高斯函数线性化,设计包括网络权值、高斯中心及宽度在内的网络全参数自适应学习律,实现在线实时调整,提高控制精度;设计鲁棒自适应控制器来抑制外界扰动,并补偿逼近误差,提高系统鲁棒性;基于Lyapunov理论证明闭环系统的一致最终有界（UUB）.仿真试验表明所提控制方法能够获得较好控制效果,对空间机械臂控制具有一定工程应用价值.     

基于神经网络自适应稳定PID控制方法的研究

经典的基于对象精确数学模型的PID控制方法的自适应性较差,难以适应具有非线性、时变不确定性的被控对象.神经网络控制算法的稳定性又受到迭代初值的影响,且算法复杂.为此提出了一种基于RBF神经网络的、结构简单的、稳定的PID直接自适应控制方法.讨论了控制器参数迭代初值选取的基本原则,并给出了在保证系统稳定性前提下参数的迭代算法.仿真研究结果表明,该方法的鲁棒性和跟踪性能均优于经典PID方法.      

自适应短文本关键词生成模型

关键词抽取对文本处理影响较大，其识别的准确度及流畅程度是任务的关键。为有效缓解短文本关键词提取过程中词划分不准确、关键词与文本主题不匹配、多语言混合等难题，提出了一种基于图到序列学习模型的自适应短文本关键词生成模型ADGCN。模型采用图神经网络与注意力机制相结合的方式作为对文本信息特征提取的编码框架，针对词的位置特征和语境特征编码，解决了短文本结构不规律和词之间存在关联复杂信息的问题。同时采用了一种线性解码方案，生成了可解释的关键词。在解决问题的过程中，从某社交平台收集并公布了一个标签数据集，其包括社交平台发文文本和话题标签。实验中，从用户需求角度出发对模型结果的相关性、信息量、连贯性进行评估和分析，所提模型不仅可以生成符合短文本主题的关键词，还可以有效缓解数据扰动对模型的影响。所提模型在公开数据集KP20k上仍表现良好，具有较好的可移植性      

基于PCC-LSTM模型的短期负荷预测方法

短期负荷预测是电网合理调度和平稳运行的基础。为提高短期负荷预测精度,提出了一种基于Pearson相关系数(PCC)和长短期记忆(LSTM)神经网络的短期负荷预测方法。该方法运用Pearson相关性分析对原始多维输入变量组成的时间序列进行相关性分析,选取与电力负荷数据相关性较大的影响因素作为输入量,实现原始数据的降维和选优;再通过LSTM神经网络结合Adam优化算法,对与电力负荷相关性较大的影响因素和负荷实际输出序列之间的非线性关系建立网络模型。以嘉捷BOX和重庆丽苑维景国际大酒店的负荷数据作为实际算例,并与Prophet、LSTNet、门控循环(GRU)神经网络模型方法进行对比。结果表明:所提PCC-LSTM模型预测精度均在91%以上,最高可达95.44%,有效提高了负荷预测的精度。      

基于RBF网络的导弹滑模动态逆控制律设计

讨论了一种基于径向基函数(RBF,Radial Basic Function)神经网络的导弹滑模动态逆控制律.导弹的基本控制律采用动态逆方法设计,对慢回路设计神经网络滑模控制器以补偿整个控制系统的不确定性.即用RBF神经网络逼近导弹慢模态不确定性的数学模型,并将逼近误差引入到网络权值的调节律以改善系统的动态性能;滑模控制器用于减弱模型不确定性及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使模型不确定性及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后通过仿真分析,验证了该方法的有效性.