基于粗糙集与RBF神经网络的雷达辐射源信号识别研究

针对新体制、新用途雷达辐射源信号难以识别的特点,用粗糙集理论对雷达辐射源信号进行离散化、属性约简、规则提取,达到分类的目的。用粗糙K-均值聚类方法计算径向基神经网络（RBFNN）的聚类中心,然后用粗糙集理论约简得到的规则构建径向基神经网络对未知雷达辐射源信号进行识别。仿真结果表明,这种基于粗糙集与RBF神经网络的识别模型减少了识别冗余特征、简化了神经网络结构,能有效地识别雷达辐射源信号。     

考虑未知扰动的RLV再入鲁棒容错姿态控制

针对复杂再入环境下的可重复使用运载器姿态控制问题,考虑大气的未知干扰、气动参数建模的不确定性以及可能发生的执行器部分失效故障,基于增量反步法和径向基函数（RBF）神经网络设计了姿态角回路和角速度回路的控制器。基于神经网络良好的未知逼近能力,采用RBF神经网络对增量反步法设计过程中的泰勒展开高阶项以及上述未知扰动和故障产生的影响进行逼近估计,并在控制律中进行补偿。经过仿真验证,所设计的控制系统能够在未知扰动影响下有效提高指令的跟踪精度,并且对飞行器的本体特性建模依赖较少,具有良好的鲁棒容错能力。     

基于神经网络的MIMO非线性最小相位系统鲁棒自适应控制

 针对一类模型未知的具有不确定性和外部干扰的多输入多输出（MIMO）非线性最小相位系统提出了鲁棒自适应输出反馈跟踪控制方案。用高斯径向基函数（RBF）神经网络逼近对象未知非线性,用高增益观测器估计系统不可测量状态。所设计的鲁棒自适应控制器不仅能使闭环系统稳定,所有状态有界,而且跟踪误差一致最终有界,并保证最终边界足够小。仿真结果表明了所提出方法的有效性。     

飞机纵向运动参数BP神经网络估算

针对飞机纵向运动方程复杂,现有的气动参数获得方法实现困难,不便于分析与控制飞机的运动,文中利用BP神经网络进行参数估算,建立了飞机短周期纵向运动参数估算的BP神经网络模型。研究了不同神经网络结构、不同的激励函数对飞机纵向参数估算BP网络模型的影响作用,进行了数字仿真,对误差进行原则性分析并提出改进措施。仿真结果表明,这种方法能较好的估计纵向运动方程中的未知参数。     

基于相对方向的非线性无人机群反步编队跟踪控制

针对具有未知动态模型的非线性无人机群的编队问题，设计了基于神经网络的反步控制策略。首先，通过径向基(RBF)神经网络来逼近无人机的未知非线性动态，增加系统的鲁棒性和抗扰能力；然后，引入方向刚性图理论，结合反步控制策略，设计了仅基于方向信息的无人机群编队分布式控制器，并通过Lyapunov方法证明了控制系统的稳定性；最后，通过Simulink仿真验证了控制器的有效性。     

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

带有自适应参数近似的块控反步飞行控制器设计

针对有翼导弹含有未知气动参数时的飞行控制问题,设计了一种带有自适应参数近似的块控反步飞行控制器.分析了块控反步控制器设计的假设条件,并放宽了对指令信号和输入矩阵的部分限制.将导弹动态模型中的未知气动参数转换为待估计参数矩阵,采用自适应参数近似律对未知参数矩阵进行估计,相比使用神经网络逼近未知函数更为简单,易于实现.将滤...     

非线性MIMO系统神经网络自适应方法及其在飞控中的应用

提出了一种非线性系统的对角自回归神经网络模型。为了实现MIMO系统自适应控制,采用自回归辨识网络对未知非线性系统进行辨识,并将被控对象的误差灵敏度信息用于对角自回归控制网络训练。辨识网络和控制网络都用动态BP算法训练。实际某型飞机纵向模型的仿真结果表明,运用这种控制结构可得到较好的控制效果。     

一类非线性系统的神经网络自适应控制

针对一类单输入单输出不确定非仿射型非线性系统,基于多层神经网络提出了一种直接自适应控制方法。该设计方法首先应用多层神经网络自适应模拟逼近逆解中的未知部分,然后应用逆设计和自适应反演设计出虚拟控制量,最后应用反馈线性化设计方法和神经网络设计了直接自适应控制律。并利用Lyapunov稳定性定理推导了神经网络的参数调节律,保证了闭环系统的所有信号均最终一致有界。     

未知控制方向的严反馈非线性系统神经网络自适应控制

针对一类未知控制方向的单输入单输出严反馈非线性系统,提出一种神经网络自适应控制方法。首先应用Nussbaum型函数解决控制系数符号未知问题,然后应用RBF神经网络和反演设计方法对系统进行系统化设计。该控制方法放宽了现有文献中许多苛刻的条件,如匹配条件、增长条件等,避免了控制器奇异问题,同时解决了反演设计中的“计算膨胀”问题,并应用Lyapunov稳定性理论证明了闭环系统的全局稳定性。最后给出了数字仿真实例,证明了该设计方法的有效性。     

Classification of radar targets using synthetic neural networks

Radar target classification performance of neural networks is evaluated. Time-domain and frequency-domain target features are considered. The sensitivity of the neural network algorithm to changes in network topology and training noise level is examined. The problem of classifying radar targets at unknown aspect angles is considered. The performance of the neural network algorithms is compared with that of decision-theoretic classifiers. Neural networks can be effectively used as radar target classification algorithms with an expected performance within 10 dB (worst case) of the optimum classifier     

基于多层激励函数量子神经网络的入侵检测研究

为解决传统入侵检测模型所存在的检测效率低,对未知的入侵行为检测困难等问题,对神经网路隐层激励函数进行了研究,利用多层激励函数的量子神经网络模型进行入侵检测,该量子神经网络借鉴量子理论中量子态叠加的思想,使得隐层神经元能表示更多地状态或量级,从而很好的对入侵类型进行分类,增加隐层神经元的处理速度和检测性能法。实验表明,叠加的每个sigmoid函数较传统的sigmoid函数不仅对已知的入侵具有较好的识别能力,而且能较好的识别未知入侵行为,从而实现入侵检测的智能化。     

基于RBF网络的航空发动机 terminal滑模控制

针对现代航空发动机是一个具有不确定性的强非线性系统,结合滑模控制和神经网络控制的优点,提出了一种基于径向基函数(radical basis function,简称RBF)网络的航空发动机terminal滑模控制方法.分析了传统指数趋近律的不足,提出了一种改进的指数趋近律来削弱抖振.该控制器采用terminal滑模面,并且利用径向基函数神经网络在线实时补偿未知干扰和不确定项的影响.仿真结果表明,所设计的控制器取得了令人满意的控制效果,能有效地抑制干扰和参数不确定性的影响,削弱了抖振.      

超低空空投航迹倾角自适应跟踪控制

针对超低空空投下滑阶段考虑执行器输入死区、不确定性大气扰动以及模型存在未知非线性等因素干扰轨迹精确跟踪等问题,提出了一种自适应神经网络动态面跟踪控制方法.建立了含执行器输入死区的超低空空投载机纵向非线性模型,采用神经网络逼近模型中未知非线性函数,引入非线性鲁棒补偿项消除了执行器死区建模误差和外界扰动.应用Lyapunov稳定性理论证明了闭环系统所有信号均是有界收敛的.仿真验证表明,所提方法既保证了轨迹跟踪的精确性,又具有强鲁棒性.     

基于神经网络的自适应状态观测器

利用ＢＰ神经网络动态系统对一类非线性时变系统的状态进行了估计。利用神经网络的“学习－遗忘”特性,提出了非线性时变系统的自适应状态观测器,对其结构及特性进行了讨论。仿真结果表明这种自适应状态观测器能跟踪系统参数及状态的变化。     

月球风化层钻取采样过程密实度分类研究

钻取采样是月球风化层土壤样品获取的重要方式，密实度是重要的风化层月壤原位特性，对钻进过程中的策略制定有重要影响。本文结合钻取采样过程特点，提出了通过采样机构的力、速度、电流、温度等传感器获取的瞬时信息感知月壤密实度的方法，利用深度学习方法构建一类适应于可变长度序列数据的门控型循环神经网络，实现钻进过程月壤密实度在线分类。研究表明，该分类方法在风化层钻进过程中月壤密实度感知滞后时间约为33 s，对未知序列数据识别正确率大于89.36%，具有较高的分类精度和泛化能力。     

具有饱和补偿的碟形飞行器神经滑模控制

针对执行机构饱和非线性未知的碟形飞行器,在考虑执行机构动态的基础上,设计了基于神经网络的滑模控制器,给出了相应的控制律和参数选择方法.神经网络用来估计执行机构的饱和量,从而在设计控制器时,可以对执行机构的饱和进行相应补偿.仿真结果表明了该方法的正确性和有效性     

航空发动机神经网络反步控制方法

针对航空发动机非线性和不确定性的特点,提出了一种基于神经网络的反步控制方法.采用径向基神经网络估计未知系统方程,并用一种平滑切换法有效避免了控制器奇异问题.反步法的设计基于Lya-punov稳定性原理,保证了闭环系统一致渐近有界.最后针对某型涡扇发动机非线性模型设计了高压转速控制器,仿真结果验证了该方法的有效性.      

基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。     

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