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。     

空间机器人的智能控制器设计

自由漂浮空间机器人动力学方程不能被参数线性化并且存在模型不确定性，使得基于数学模型的控制问题变得十分复杂。本文研究了自由漂浮空间机器人的智能控制方法，提出了一个鲁棒的模糊神经网络控制器。首先利用模糊神经网络控制器来逼近理想控制器，然后利用鲁棒控制器对逼近误差进行估计和抑制。根据Lyapunov函数建立的新的网络学习算法保证了系统的稳定性。最后利用该控制器对平面二连杆空间机器人进行了研究。仿真结果表明该智能控制方案是有效的。     

集员辨识与T-S模型相结合的非线性系统建模及其故障检测算法

针对带有未知但有界（Unknown But Bounded．UBB）噪声的非线性系统的建模及其故障检测问题，提出了一种集员辨识与T-s模糊模型相结合的非线性系统建模及其故障检测算法。在建立非线性系统模型时，利用系统正常状态下的运行数据，选用T-S模型对其进行离线建模。首先采用模糊聚类的方法对输入空间进行模糊划分，然后利用T-S模型为参数线性模型的特点，使用参数线性集员辨识算法辨识T-S模型的结论参数。由于集员辨识算法所得到的是参数的集合估计，在系统运行过程中，可以很方便地利用所建模型预测实际系统的输出范围，如果测量所得实际系统的输出不在预测输出范围之内，则可判断系统发生了故障。通过与其他算法相比，验证了本方法的性能。     

基于再励模糊神经网络的三轴稳定卫星姿态智能控制

将再励学习引入模糊神经网络的T-S模型,建立了模糊神经网络控制器和控制评估网络的再励学习算法,并应用于三轴稳定卫星的姿态控制。这种再励模糊神经网络不需要精确的卫星数学模型和学习样本,通过再励学习实现控制网络/评估网络参数的在线调节,具有比较强的适应性和学习能力。仿真结果表明,这种智能控制方法可以有效解决卫星的模型不确定性问题,提高了卫星姿态控制的精度和鲁棒性。     

利用BP网络校正跟踪接收机的相位漂移

针对跟踪接收机不同通道之间相位差的漂移问题,提出利用BP神经网络作为校正环节来消除此相位漂移。通过原理分析用数学方法描述跟踪接收机存在的相位漂移问题,介绍BP神经网络的网络模型和一种动态全参数自适应学习算法,进而提出基于BP神经网络的相位漂移校正算法。仿真结果表明,该方法的相位校正效果较好,不仅保证了系统的角跟踪精度,而且实现了高度的自动化。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

基于自适应仿射传播聚类的雷达信号分选方法

复杂体制的雷达不断应用于实际,使得基于到达时间单参数的雷达信号分选方法遇到了技术瓶颈.然而,基于多参数的信号分选方法,如K-均值聚类和模糊函数C均值聚类,前者对初始类中心敏感、需预知聚类数,后者对类隶属度的选取、相似度矩阵的建立存在不确定性,使得这些方法在自适应雷达信号分选中受到了限制.自适应仿射传播聚类不仅可以克服上...     

基于Fuzzy ART的航天器状态监测方法及应用研究

为解决信号空间法在航天器状态监测中存在的参数阈值难以设定问题,提出一种基于Fuzzy ART神经网络的状态监测方法．该方法利用Fuzzy ART的聚类特性及网络的自主扩展性,对系统正常状态向量在多维空间进行聚类,并以网络的输出节点编号代表正常状态向量的类别．监测时,网络通过判定输入的状态向量与正常状态向量的匹配度是否满足要求而给出监测结果．该方法克服了信号空间方法各单项参数阈值难以设定问题,并且能有效地消除因噪声干扰产生的虚警．     

近空间高超声速飞行器输入饱和抑制模糊自适应控制

针对近空间高超声速飞行器三通道姿态跟踪控制问题，提出了一种基于输入饱和抑制的非线性模糊自适应滑模控制器。考虑到飞行器模型具有严格反馈形式的特点，以反步法为基础，结合非奇异快速Terminal滑模方法设计控制器。设计了模糊系统估计模型中的干扰项，并通过自适应鲁棒项补偿估计误差，引入非线性增益函数提高控制系统的饱和抑制能力，并基于Lyapunov理论证明了闭环系统的稳定性。最后，通过仿真对比实验验证方法的有效性。仿真结果表明，所设计的控制器能够保证飞行控制系统在存在模型参数不确定性的情况下具有良好的姿态跟踪性能和输入饱和抑制能力。     

再入机动飞行器自适应轨迹线性化控制

针对一类多输入多输出模型不确定系统,提出了一种基于广义模糊神经网络的自适应轨迹线性化控制方法(ATLC).针对再入机动飞行器(MRV)进行了控制器设计和分析.MRV气动参数存在较大的不确定,这会导致轨迹线性化控制器(TLC)鲁棒性能下降.利用广义模糊神经网络(G-FNN)在线补偿系统的非线性建模不确定,改善了控制器性能.基于Lyapunov稳定性理论,证明了ATLC闭环控制系统的稳定性.仿真结果表明自适应轨迹线性化控制系统在飞行器气动参数大范围摄动时仍具有鲁棒性和稳定性,验证了所提出的控制策略的有效性.     

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。     

神经网络专家系统在电源系统诊断中的应用

为了解决卫星这类复杂系统采用单一的智能故障诊断技术的诊断局限性问题,提出一种基于模糊综合评判的神经网络和专家系统相结合的诊断方法。选用改进的BP神经网络,添加动量因子和可变学习速率,并通过计算十个相同结构神经网络输出的标准差获得诊断结果的可信度。采用基于可信度的专家系统不确定性推理,给出了可信度计算方法。采用代数积与代数和模糊算子对两种诊断方法的结果进行综合评判。成功地应用于某卫星电源系统的故障诊断中。结果表明诊断的可信度和诊断的正确率得到提高。     

基于神经网络在线建模的非线性动态系统中传感器故障检测方法

本文提出一种基于神经网络在线建模的动态非线性系统中传感器故障检测方法，它首先利用神经网络在线建立动态非线性系统的超前一步预测模型，然后利用神经网络对传感器的预测输出和传感器实际输出之差与一预定阈值比较以检测传感器故障。本文的优点是可以检测多个传感器故障，同时由于采用在线学习方式，非常适于航天器自主系统传感器故障检测的需要。此外，故障检测阈值的选取也比较简单。为了验证本文方法，仿真了一控制系统中同时发生漂移故障的两个传感器故障检测过程。结果表明，方法十分有效。     

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。     

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     

某多挠性体卫星姿态的模糊神经网络控制设计

为改善多挠性体卫星的姿态控制系统,研究了一种基于模糊神经网络的控制器设计.根据某卫星的姿态和挠性动力学模型,给出了模糊神经网络控制器(FNNC)结构及其简化的带动量学习算法.仿真结果表明:FNNC能较好地适应卫星本体参数变化,对外界干扰的抑制能力良好,可满足高精度、高稳定度卫星的姿控要求.