采用BP算法的模糊自适应控制

在对不熟悉的过程进行模糊控制时,由于对过程的不了解,很难得到合适的控制规则.基于模糊控制器的一种解析结构,提出了将模糊控制器与神经网络相结合的方法.由神经网络对系统进行辨识,并为学习系统提供必要的信息,将控制对象视为神经网络的输出部分,采用BP算法根据神经网络提供的信息对经验规则进行修改,从而改善模糊控制系统动态响应.仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入.     

自适应评判神经网络在微分对策中的应用

采用由3个神经网络组成的自适应评判神经网络结构求解微分对策的2点边值问题,其中2个 为控制神经网络,分别实现对微分对策系统中双边控制器的优化,一个为协 态神经网络,用于对2点边值问题中的协态变量进行求解,协态网络的输出对控制网络进行 校正,训练以后的2个控制网络作为双边的反馈控制器在线应用.并将神经网络结果与采用 Chebyshev技术的微分对策数字解进行了对比.追逃微分对策仿真结果表明了该方法的有效 性,并且对初始条件和测量噪声具有较强的鲁棒性.      

基于神经网络的多卫星姿态协同控制预测模型

摘要： 针对多卫星近距离对空间目标监测中的姿态协同控制问题，研究基于神经网络的智能控制模型.首先设计了面向任意姿态控制方法的神经网络自适应控制模型，该模型不改变卫星姿态控制方法本身，而是接收由理想控制模型生成的理想控制量，理想控制量经过神经网络后直接生成适用于卫星的控制量.根据神经网络对控制系统的系统级状态预测，基于一致性控制协议，设计了多卫星姿态协同控制模型.采用等效姿态角，通过数值仿真，分别验证了预测控制方法、输出状态预测、协同控制的方法正确性和有效性.     

一种柔性机器人的神经网络控制方法

提出了一种末杆为柔性杆的机器人的新型神经网络控制方法.它将末杆为柔性杆的机器人分解成刚性前端和柔性末端两部分,使用传统的机器人控制方法控制刚性前端,采用神经网络辩识柔性末端部分的逆模型,将末端的期望轨迹实时分解成末关节转角及末关节轴位姿的期望轨迹再分别进行控制.这一方法将传统的基于模型的控制方法和神经网络方法有机结合在一起.通过对平面3杆柔性机器人的数值仿真,初步验证了这一方法的有效性和良好效果.     

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.     

无刷直流电动机的新型自适应模糊神经控制

 为无刷直流电动机提出了一种自适应模糊神经控制方法.这是一种建立在开关控制、模糊控制和自适应控制相结合基础上的控制方法,并用神经网络实现了模糊控制器和自适应机构.在无刷直流电动机的双闭环调速系统中,电流控制器是PI控制器;转速控制器是由1个开关控制器和1个包括自适应机构在内的模糊控制器相结合组成的,且用1个3层前向神经网络离线学习实现了模糊控制器,学习算法采用的是改进的BP算法.用1个单神经元通过在系统运行过程中的动态学习实现了自适应机构,学习算法选用了有监督的Hebb学习算法.由电机所处的运行阶段决定哪一个控制器工作.此控制算法的仿真结果说明,它使系统具有良好的动、静态特性和自适应性.     

漂浮基空间机械臂姿态、关节协调运动的模糊小波神经网络控制

讨论了本体姿态受控、位置不受控制的漂浮基空间机械臂系统协调运动的动力学控制问题. 根据系统位置几何关系、动量守恒关系和第二类拉格朗日方程, 建立漂浮基空间机械臂系统的动力学方程. 在此基础上, 针对系统参数未知的情况, 设计了一种采用小波基函数作为模糊隶属度函数的模糊神经网络控制器, 以控制空间机械臂的本体姿态和机械臂两关节铰协调地完成各自在关节空间的期望运动. 其特点是不要求系统动力学方程关于惯性参数呈线性函数关系, 甚至不需要知道系统参数;而且网络权值是采用反向传播算法根据误差进行在线学习, 使模糊神经网络获得更强的自学习和自适应能力, 同时也节省了离线学习的时间. 系统数值仿真的结果证实上述控制方案是行之有效的.      

基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间，是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题，提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量，建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法，通过攻防仿真获取拦截弹的参数制作训练数据集，在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标，预测结果的相对误差分别为0.124 3%和0.128 5%，拦截时间预测结果误差的平均值为0.224 0 s，拦截点预测结果距离误差平均值为2 016.48 m，均满足精度要求。      

基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

液压飞行仿真转台外框FNN控制器设计及仿真

以液压转台外框为控制对象,根据模糊控制理论,设计出直接自适应模糊控制器(DAFC,Direct Adaptive Fuzzy Controller)和同步模糊控制器(SFC,Synchronizing Fuzzy Controller)来解决外框负载干扰和双液压马达同步驱动这2个影响转台控制性能的主要问题;其中直接自适应模糊控制器还与PID控制器一起组成并行控制系统来抑制系统静态误差和动态干扰.针对模糊控制器自学习能力较差等缺陷,在模糊控制的基础上,根据模糊神经网络(FNN,Fuzzy Neural Net)模型设计出多输入多输出(MIMO,Multi-Input Multi-Output)的FNN控制器.软件仿真结果表明,当转台外框负载发生变化或外框两马达转速相差较大时,使用FNN模型的智能控制系统仍具有较高的位置跟踪精度和动态性能.      

Adaptive fuzzy neural network control for a space manipulator in the presence of output constraints and input nonlinearities

Space manipulator is considered as one of the most promising technologies for future space activities owing to its important role in various on-orbit serving missions. In this paper, a novel adaptive fuzzy neural network (FNN) control scheme is proposed for the trajectory tracking control of an attitude-controlled free-flying space manipulator in the presence of output constraints and input nonlinearities. The parametric uncertainties and external disturbances are also taken into the consideration. First, a model-based controller is designed by using the barrier Lyapunov function (BLF) to prevent the position tracking errors from violating the predefined output constraints. Then, an adaptive FNN controller is designed by using two FNNs to compensate for the lumped uncertainties and input nonlinearities, respectively. Rigorous theoretical analysis for the semiglobal uniform ultimate boundedness of the whole closed-loop system is provided. The proposed adaptive FNN controller can guarantee the position and velocity tracking errors converge to the small neighborhoods about zero, while ensuring the position tracking errors within the output constraints even in the presence of input nonlinearities. To the best of the authors’ knowledge, there are relatively few existing controllers can achieve such excellent control performance in the same conditions. Numerical simulations illustrate the effectiveness and superiority of the proposed control scheme.     

变结构航天器模糊神经网络滑模控制器设计

变结构航天器是目前航天领域的重要发展方向，航天器结构的变化将导致质量分布发生明显变化，这对航天器动力学建模和控制器设计都提出新的问题。针对这种情况，采用混合坐标法和拉格朗日方程建立了航天器刚柔耦合动力学模型，利用几种典型工况的参数近似得到变结构过程中动力学参数的变化规律。设计滑模控制器对航天器变结构过程进行姿态控制，为提高滑模控制器的适应性，设计模糊神经网络（FNN）自适应调节滑模控制器参数，并利用径向基函数（RBF）神经网络逼近动力学模型，得到控制力矩与姿态变化之间的近似关系，用于FNN的优化。通过仿真得到航天器变结构期间无控、滑模控制和模糊神经网络滑模控制的姿态变化，仿真结果对比验证了模糊神经网络滑模控制对于滑模控制的优势，证明了其在变结构航天器姿态控制方面的有效性。     

尾坐式飞行器增益调度控制器设计和比较

针对尾坐式飞行器的动力学模型进行分析,考虑螺旋桨尾流对飞行器的控制作用,建立其数学模型,并针对尾坐式飞行器的纵向转换过渡过程设计了一种基于航迹倾斜角变化的增益调度控制器,分别使用LQR和H_∞两种反馈控制方法经历其增益调度控制器。分别以斜坡和多级阶跃信号为指令,通过以航迹角跟踪的方式进行纵向模型的过渡仿真验证控制器的性能,仿真结果表明,两种控制器均能保证飞行器的稳定过渡转换飞行,且在稳定性方面增益调度LQR控制器具有更好的性能,在快速性和准确性上增益调度H_∞控制器具有更大优势。     

基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题，提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时，所提出的方法可保证鲁棒的姿态控制。首先，利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能，建立了全神经网络的智能自适应容错控制器架构。然后，对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整，对比分析了神经网络参数对控制器性能的影响。最后，对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明，对于具有冗余控制力矩陀螺的航天器，提出的方法不仅能在单一陀螺故障下实现高精度的容错控制，也能在发生多陀螺故障时保证一定的姿态稳定控制。     

基于灰度预测的无刷直流电机控制

针对传统PID控制器抗干扰能力差，参数调节繁琐等问题，提出了灰度预测控制器。对灰度预测算法进行了详细的理论分析和数学建模，利用最速梯度法对控制器参数进行调整，设计了参数自适应调整的控制器；对飞轮使用的无刷直流电机进行了较为准确的模型建立，并在此基础上设计了基于灰度预测控制器的电机控制仿真模型。通过仿真分析了两种控制器在正常加速和受到干扰两种情况下的不同表现，验证了灰度预测控制器在调节效果和稳定性等方面的优越性。     

BP/GA混合算法在简易组合导航系统中的应用

Kalman滤波器是组合导航中最常用的最优滤波工具,但是在组合导航系统中有一些应用的局限性,尤其在低成本的GPS(Global Positioning System)/DRS(Dead Reckoning System)组合导航系统中,存在着使用的GPS接收机和惯导测量元件的精度不够高的问题,要提高系统的测量精度,只能提高算法软件的先进性.为补偿卡尔曼滤波发散的缺陷,将神经网络和遗传算法组成的混合算法与卡尔曼滤波相结合,应用到GPS/DRS组合导航系统中,该算法不仅具有普通神经网络的自主学习能力、好的实时性,还克服了传统算法收敛速度慢、对学习参数敏感、局部有极小点等缺点,同时兼具卡尔曼滤波的最优估计性能.仿真结果验证了这种算法和常规卡尔曼滤波算法相比较具有更高的精度和稳定性,经过对仿真数据进行统计分析,纬度误差的最大值降低了一个数量级.     

基于神经网络的仿真转台控制系统

在转台存在偏载、摩擦等不确定负载干扰的情况下,用神经网络与PID(Proportional-Integral-Differential)控制相结合的方法,设计了适应负载变化的转台控制系统.分析了基于BP(Back Propagation)神经网络的自适应PID控制器的基本原理,建立了转台位置控制系统的数学模型,并对控制系统进行仿真分析和实验验证,通过与传统PID控制的对比实验与仿真表明:所设计系统由于有自学习能力,能动态调整PID参数,使系统表现出良好的抗干扰能力和跟踪性能,证明了所设计系统的有效性.该算法结构简单,PID初始参数调整方便,易于在转台实时控制系统中应用.     

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.