月球探测机器人运动控制算法研究

针对常规模糊控制的不足 ,本文提出一种模糊神经网络自适应控制 ,它综合模糊控制与神经网络控制各自的优点 ,实现模糊控制的智能化 ,并将其应用于月球探测机器人的运动控制中。仿真结果证明该控制方案的优越性、有效性和可行性     

用DYL电路实现模糊控制器方案探讨

DYL电路为模糊控制器的硬件化提供了新手段。本文根据模糊控制器的算法原理,提出了用DYL电路实现模糊控制器的理论方案,并针对理论方案电路复杂的缺点,介绍了三种简化方案,并对它们进行了分析和比较,其中的两种方案还进行了仿真实验。本文给出的例子是对某型导弹横侧向运动的模糊控制,意在探索模糊控制在航空中应用的可能性。     

基于BP算法的模糊神经网络研究

提出了一种基于模糊集合与前馈神经网络结合的神经网络。这种模糊神经网络（ＦＮＮ）在处理模糊特征时，能较好地反映出输入值和输出值的隶属度关系。应用经典的ＢＰ算法对网络进行训练，为了加快网络的学习过程，我们介绍了一种调整权值和阈值的学习方法，并且采用了Ｃ语言编制软件，实验结果表明，ＦＮＮ技术是一种新颖、有效的方法，能促进智能神经网络的发展。     

一种用于挠性卫星姿态控制的改进模糊控制器

将模糊控制理论用于有大型挠性附件三轴稳定卫星的姿态控制，设计了一种常规模糊控制器。为减小常规模糊控制的稳态误差，采用模糊控制插值法和多次修正法改进模糊化处理，并运用因子动态加权，对所设计的模糊控制器进行了改进。仿真结果表明，采用改进模糊控制方案的系统响应快，稳态精度高，并保持了较强的鲁棒性，控制效果较为理想。     

模糊神经网络控制器及其在航天器姿态控制系统中的应用研究

在航天器姿态控制领域，模糊控制技术作为一种辅助控制方法得到越来越多的关注。本文提出了一种基于模糊聚类算法和分布式模糊神经网络的模糊神经网络控制器，并将其用于《东方红三号》卫星应急星地大回路姿态控制系统之中。仿真研究表明，这种模糊神经网络控制器能够有效地从样本数据提取信息，实现分区域控制，并且具有较强的鲁棒性。该方法具有较为满意的控制效果。     

模糊神经网络应用于数据融合中实现目标的身份识别

结合“情报侦察与数据融合专家系统”的需求 ,对基于产生式规则的模糊知识表示和推理、神经网络的结构和机理进行了研究 ,提出了将模糊规则与神经网络相结合 ,实现一种新的推理方法。在此基础上 ,实现了一种将模糊规则转化为神经网络的算法以及神经网络的学习算法 ,并具体讨论了这种新的推理方法在“情报侦察与数据融合专家系统”中实现飞机的身份识别的应用。实验证明这种网络结构巧妙地将模糊集理论和神经网络结合起来 ,充分利用了两者各自的优势 ,最终达到了对目标身份识别的效果     

空间站伴随卫星的相对运动控制

研究了空间站伴随卫星在绕飞和回收阶段的相对位置与速度控制。基于C-W方程提出了伴随卫星的脉冲控制和滑模-开关控制两种绕飞控制方法,给出了控制模型并进行了比较。另设计了用于伴随卫星回收控制的模糊控制器,给出了模糊控制规则。仿真结果表明:两种绕飞控制法简便易行,适于工程应用。与一般模糊控制方法相比,此控制器利用了航天器自身的动力学特性,可使燃料更省。     

基于模型参考初始化设置的模糊控制在天线伺服系统中的应用

针对目前设计模糊规则表采用的启发式方法具有设计周期长、过分依赖设计者的经验和技术知识等缺点,介绍一种模型参考初始化设置的设计方法。它简单,易于计算机实现,可以实现模糊规则表的自动初始化设置。Matlab仿真结果表明,基于模型参考初始化设置的模糊控制可使天线伺服系统的动态性和稳定性都明显优于传统PID和用启发式方法设计的模糊控制。最后,针对将模型参考初始化设置方法设计的控制器应用到实际系统中存在稳态误差的问题,运用PID和模糊控制的复合控制方法,有效地消除了稳态误差。     

控制系统故障诊断的模糊神经网络方法研究

控制系统的不确定故障诊断是目前尚未解决的问题。传统的神经网络方法和模糊推理方法为解决这一类故障诊断问题提出了一些算法。然而上述两种方法难以提高不确定故障诊断的性能。为此本文结合模糊理论的推理能力和神经网络学习的能力提出模糊神经网络故障检测方法。该算法同时具备模糊理论的处理不确定和不准确信息的能力和神经网络的自学习能力。本文结果应用到某运载火箭控制系统的故障诊断,仿真结果表明,本算法有效,较好地解决了控制系统不确定故障诊断问题。     

模糊实时控制在雷达伺服系统中的仿真与应用

从分析模糊控制器各参数与系统响应特性之间的关系出发，讨论了各参数在控制过程中的作用，并在此基础上提出了三段式模糊控制器（ 开关控制、基本模糊控制、自调参模糊控制） 。经计算机仿真和实时控制实验表明，三段式模糊控制器能显著减少甚至消除系统超调，对系统参数及结构变化不敏感，具有很强的鲁棒性，并能提高伺服系统的位置精度。     

单脉冲跟踪测量雷达解距离模糊策略研究

文章简要介绍了舍脉冲法和伪随机码法解距离模糊技术;详细阐述了利用这两种技术解距离模糊的策略,并在有关型号雷达上进行了应用,取得了较好的效果。     

用模拟神经网络解中脉冲重频雷达系统的模糊问题

中脉冲重频（ＰＲＦ）雷达综合了高ＰＲＦ和低ＰＲＦ雷达的优良性能，但存在着距离和多普勒（距离速率）两种模糊问题。本文介绍了用神经网络有效地解中ＰＲＦ雷达系统模糊问题的方法。为此设计了一种多层前馈网络。且给出了模拟结果和模拟电路实现。建立了一种便于模块化的理论。它将大量的存储模式分成若干模块，这就使得利用模拟神经芯片模糊是切实可行的。它将大量的存储模式分成若干模块，这就使得利用模拟神经芯片解模糊是切实     

模糊控制技术在卫星主动控温仪上的应用设想

针对现有星上主动控温仪的不足，提出了将模糊控制技术应用于星上主动温度控制的设想。文章对模糊控制的基本原理及实现方法进行了简要的介绍，并对昨下模糊温度控制器的设计做了较为具体而深入的探讨，比较详细地分析了其硬件电路和软件的构造原理。     

基于高阶谱约简的变结构模糊神经网络

针对先验知识不完备和不确定的情况下海量数据造成的冗余和互斥，模糊神经网络结构变得复杂化并不能很快逼近和分类输出对象的情况，提出了一种基于高阶谱完成规则约简的变结构模糊神经网络的模型。相同结论属性的模糊规则的条件属性值可以被认为是由若干个谐波成分组成的平稳信号，并且此信号可以采用高阶谱分析来估计其谐波成分，规则的最小约简集与谐波对应。在完成了谐波估计后，神经网络结构和连接权值发生改变，神经网络的性能也得到优化。最后给出了此模型在航迹融合中应用的一个例子，得到了较好的结果。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行     

一种基于模糊神经网络的Speckle图像滤波器

提出一种新的基于模糊神经网络 (FNN)的 Speckle噪声自适应滤波器 ,以实时处理 SAR图像。讨论了模糊神经网络滤波器结构的设计、模糊规则的选取以及采用改进遗传算法进行参数优化的方法 ,最后 ,结合图像处理应用实例 ,与其它传统图像滤波器进行比较 ,验证所述滤波器在滤除噪声和保持细节纹理方面的有效性。     

小数偏差产品质量评估及固定性能分析

为了评估不同小数偏差产品的数据质量和模糊度固定效果，比较了2016年全年的SGG FCB产品和CNES产品，结果表明两种产品具有很高的一致性，SGG FCB产品的数据完整性更好。应用两种产品进行精密单点定位(PPP)固定解的静态结果平面位置精度可以达到1 cm以内，高程位置精度可以达到1~2 cm，采用两种产品获得的PPP模糊度固定率十分接近，动态模式下处理静态数据的位置结果可以达到平面2~3 cm，高程5 cm以内的精度，两组固定解的位置误差结果差异不超过5 mm，模糊度固定成功率分别为92.37%和92.14%，两种小数偏差产品在23分钟左右完成首次固定，能够有效提高PPP的收敛速度。使用两种小数偏差产品得到的机载动态数据结果也非常相近。     

模糊控制在光电跟瞄平台稳定控制中的应用

机载光电跟瞄系统是一个复杂的角位置随动系统,其精确模型不易建立。利用模糊控制不要求精确模型的特点,以跟瞄平台俯仰回路的稳定控制为例,设计了基本模糊控制器和自组织模糊控制器。仿真研究表明,在模型参数摄动又有多种干扰作用时,两种控制器都能进行有效地控制,特别是自组织模糊控制的稳态误差更小,计算速度更快。     

模糊神经网络控制器在飞行器姿态控制中的应用

基于ＡＫａｗａｍｕｒａ等人提出的Ｎｅｕｒａｌ－Ｆｕｚｙ协作系统概念［１］，根据模糊系统的结构，确定等价结构的神经网络。网络保留了模糊控制系统的优点，空间结构清晰，同时具有学习功能，并介绍了采用多层神经网络表达模糊控制系统的知识规则、模糊推理和学习算法，给出了控制某导弹纵向姿态的仿真结果，结果表明该控制系统具有较强的鲁棒性。     

挠性结构卫星单轴气浮台的模糊控制

将在线变动模糊划分的模糊控制应用在挠性结构卫星单轴气浮台全物理仿真实验中，实现挠性结构的大角度机动控制，获得了机动性能好、稳态精度高的结果。在模糊控制中，模糊集合的划分在控制过程中在线变动，自动确定模糊集合隶属函数的参数，需人工设置的控制器参数很少，只需调整一个控制能量分配参数，易于应用到实际控制过程中。