基于改进的CMAC的电动加载系统复合控制

 由于电动加载系统的非线性和时变性,特别是在运动干扰下传统的前馈控制方法很难得到满意的控制效果。针对电动加载系统的非线性及多余力矩强扰动的特点,依据神经网络的非线性逼近和自学习特性,提出了基于改进小脑模型关联控制器(CMAC)的复合控制策略,结合改进的CMAC与PID实现复合控制,由CMAC实现前馈控制,PID控制实现反馈控制,既保证了快速实时,又进一步减小了多余力矩干扰。改进的CMAC利用存储单元的先前学习次数作为可信度,消除了常规前馈型CMAC的过学习现象。文中建立了电动加载系统的数学模型,给出了具体的控制结构和算法。系统的动态仿真表明,该方法可有效地抑制多余力矩,改善电动加载系统的动态加载性能,有很强的鲁棒性。     

基于CMAC的伺服系统控制研究

针对高精度伺服系统中存在的非线性和各种不确定性因素,提出了基于小脑模型神经网络的复合控制方法,控制器由前馈控制器、比例微分控制器(PD)和小脑模型神经网络控制器(CMAC)构成,该方法在传统的PD+前馈控制方法上加入了CMAC神经网络算法的快速学习,精确逼近的优点,既保证了快速实时跟踪,又进一步提高了跟踪精度。实验结果证明,用CMAC控制方法后系统的跟踪精度比PD＋前馈控制方法提高近一个数量级,同时该方法对摩擦引起的波形畸变有很好的抑制作用,仿真和实验研究表明了该方法的可行性和有效性,并能满足实时性要求,对提高伺服系统的高精度动态跟踪性能有很好的工程参考价值。     

一类非线性系统的反演变结构控制及应用

针对一类非线性系统 ,将其变换为易于设计变结构控制规律的规范型。利用小脑关节神经网络( CMAC)估计系统中的不确定函数 ,利用 CMAC神经网络和多面滑模技术估计出变换后系统的状态 ,最后利用变结构控制技术设计出控制器 ,特点是无需已知不确定性函数及其各阶导数的上界 ,与经典设计方法相比 ,所提出的方案允许非参数化不确定性。最后将此方法应用于空空弹控制系统的设计中 ,仿真结果表明了该方法的有效性     

先进战斗机的鲁棒自适应反步控制

为解决反步法在虚拟控制求导时存在计算膨胀的缺陷问题,提出了一种自适应反步控制算法.采用CMAC神经网络在线学习系统不确定性以及各阶虚拟控制量的导数信息,从而避免了系统阶次较高时引起的计算膨胀问题,并且该控制算法在实际控制输入前加入低通滤波器,避免了不连续输入可能引起的抖振问题.Lyapunov稳定性分析表明,该控制方法...     

基于CMAC与PID并行控制的舵伺服系统的优化设计

针对导弹飞行中的舵伺服系统所存在的不确定性和非线性时变等特点,采用常规控制系统难以适应这种不确定性,文中提出采用现代控制理论与经典相结合的方法——自适应神经网络CMAC与PID并行控制对舵机伺服系统进行优化设计。首先,在分析舵系统基础上,设计出了具有一定适应性的舵伺服系统的总体方案;然后,建立了基于CMAC与PID并行控制的舵系统控制器;最后,经MATLAB仿真,结果表明并行控制能够较好适应多种不确定性;并能够快速准确的对舵机进行跟踪控制。     

导弹块对角控制器的组合设计法

利用小脑关节模型控制器 ( CMAC)神经网络辨识了导弹控制系统的几个重要空气动力参数,证明了估计误差、权误差有界,然后用解析逆解设计方法、模糊神经网络变结构控制方法设计了块对角控制器。仿真结果显示了该算法的有效性。     

CMAC-PID控制在飞机防滑刹车中的应用

提出了一种基于CMAC神经网络与PID相结合的控制方法,利用传统的PID控制器实现反馈控制,保证系统的稳定性并抑制扰动;利用CMAC神经网络控制器实现前馈控制,保证系统的控制精度和响应速度。以某型飞机为例,针对不同的跑道(干、湿、冰)情况,将该方法和传统的PID控制方法在MATLAB环境下进行了数字仿真。仿真结果表明:基于CMAC-PID控制方法较传统的PID控制方法,可以大大地提高飞机防滑刹车效率,具有更好的刹车控制效果,并具有较强的鲁棒性,为飞机防滑刹车系统的控制提供一条新的思路。     

基于自适应多点约束逼近的二级结构优化方法研究

 本文对结构优化设计提出了一种二级逼近方法。基于优化过程中所得到的若干点上临界约束函数值及其一阶导数,构造出显式近似函数逼近原约束函数。该近似函数的非线性程度由自适应方法控制,使之在其展开域内接近真实约束函数;由此建立逼近原结构优化问题的第一级显式非线性序列近似问题。为处理其中每个子问题,建立逼近它的第二级序列近似问题,然后采用对偶方法对其求解。算例表明本文方法具有收敛迅速稳定的特点。     

一种新的干扰力矩补偿方法在测试转台中的应用

为提高转台位置跟踪精度,提出了一种新的复合控制方法:电机中摩擦模型采用摩擦参数为非一致性变化的LuGre动态模型。控制器采用参数自适应律和CMAC神经网络来估计未知LuGre模型参数和辨识位置周期摩擦扰动并给与补偿。该方法保证了闭环系统全局稳定性和对期望位置信号的渐进跟踪,提高了转台位置跟踪精度。     

用于多层前馈神经网络学习的快速遗传算法

提出了一种用于多层前馈神经网络学习的快速遗传算法 ,论述了其算法的进化过程并对多层前馈神经网络的权值进行了优化 ,对权值的初始化范围以及输入层节点进行了优化选择。仿真试验结果表明 ,该算法收敛速度快 ,网络逼近精度高 ,克服了BP算法易于陷入局部极小的问题。     

基于BOWA小脑模型的高精度稳定 电动加载系统

 随着电动加载系统的不断发展,对控制精度、动态特性和稳定性提出了更高的要求,常规的小脑模型(CMAC)和PD控制相结合的复合控制策略难以满足加载指标要求。针对无人机舵机电动加载系统的控制需求,提出了一种基于平衡学习、最优权值和自适应学习率的新型小脑模型(BOWA-CMAC)复合控制策略,它在保留小脑模型算法正常学习过程的同时,避免了算法的过学习现象,保证了系统的稳定,同时提高了跟踪精度和动态特性。仿真和实验结果表明,BOWA-CMAC复合控制策略具有很强的鲁棒性,抑制了加载系统的多余力矩,保证了系统的稳定性,有效提高了系统的跟踪精度和动态特性,非常适合于实时控制。     

无监督深度学习单目视觉里程计研究

针对传统单目视觉里程计存在的尺度漂移和尺度不一致问题，提出了一种基于无监督深度学习的单目视觉里程计。首先，联合使用空间几何约束和图像相似性约束，得到长序列尺度一致的深度估计网络和鲁棒的光流估计网络；然后，对密集光流进行采样，得到精确的稀疏对应关系，减少尺度漂移；最后，根据改进的ORB-SLAM初始化方法，选择最优跟踪方式，结合深度信息进行尺度对齐，从而得到全局尺度一致的视觉里程计。在KITTI数据集上进行大量实验，结果表明，相较于ORB-SLAM2和基于深度学习的端到端的视觉里程计系统，该算法在通用评估指标方面性能有明显提升，验证了该算法的有效性。     

航空网络关键节点辨识的核极限学习机算法研究

通过技术手段准确识别航空网络的关键节点,对航空网络平时的正常运行以及战时的防御和修复,具有重要的理论意义和参考价值。提出一种基于核极限学习机的航空网络关键节点识别方法,首先,采用层次分析法对节点综合重要度进行评估;然后,选取三个简单指标,基于核极限学习机学习简单指标与综合重要度之间的映射关系,建立重要度评估模型;最后,以中美两国航空网络为例进行仿真。结果表明:仅需计算 40 个节点的复杂指标值,就可对关键节点取得较满意的辨识效果,降低了计算复杂度,提高了辨识效率,即采用本文方法辨识航空网络的关键节点是有效、可行的。     

A point cloud deep neural network metamodel method for aerodynamic prediction

Aiming to reduce the high expense of 3-Dimensional (3D) aerodynamics numerical simulations and overcome the limitations of the traditional parametric learning methods, a point cloud deep learning non-parametric metamodel method is proposed in this paper. The 3D geometric data, corresponding to the object boundaries, are chosen as point clouds and a deep learning neural network metamodel fed by the point clouds is further established based on the PointNet architecture. This network can learn an end-to-end mapping between spatial positions of the object surface and CFD numerical quantities. With the proposed aerodynamic metamodel approach, the point clouds are constructed by collecting the coordinates of grid vertices on the object surface in a CFD domain, which can maintain the boundary smoothness and allow the network to detect small changes between geometries. Moreover, the point clouds are easily accessible from 3D sensors. The point cloud deep learning neural network, which employs re-sampling technique, the spatial transformer network and the fully connected layer, is developed to predict the aerodynamic characteristics of 3D geometry. The effectiveness of the proposed metamodel method is further verified by aerodynamic prediction and robust shape optimization of the ONERA M6 wing. The results show that the proposed method can achieve more satisfactory agreement with the experimental measurements compared to the parametric-learning-based deep neural network.