基于遗传算法优化小波网络的柔性喷管力矩特性辨识方法

为准确辨识负载力矩并提高主动加载负载模拟的真实度，使用了一种基于遗传算法优化的神经网络辨识方法。使用小波分析方法对测试信号进行预处理，将消噪与分解后得到的信息作为神经网络训练的扩充样本，提高了辨识精度。使用遗传算法选择最优输入信息、网络结构和隐含层规模，加快网络收敛速度并简化计算过程，实现对柔性喷管力矩的快速准确辨识。仿真结果表明该辨识方法可以准确地描述柔性喷管在典型测试信号激励下的力矩特性，平均辨识误差为2%，对于实现精确主动加载控制和验证伺服控制性能具有重要意义。     

神经网络在风洞流场马赫数辨识中的应用研究

风洞流场的多维性、复杂性以及马赫数的不可直接测量、马赫数控制一直是风洞控制的难点和重点。笔者在研究FL26Y风洞流场特性的基础上，应用神经网络技术，研究马赫数在线辨识问题，为高精度风洞流场马赫数控制提供技术支持。首先介绍神经网络马赫数辨识原理，然后介绍神经网络拓扑结构的设计，并构造神经网络的马赫数辨识模型(NNI)。最后通过软件实现及仿真研究动态数据优化、软件滤波以及动量系数对网络学习性能的影响，进一步验证神经网络辨识器在实时性、自适应性、以及辨识精度等方面的优越性。     

航空发动机神经网络自适应控制研究

本文研究神经网络自适应控制方法及其在航空发动机控制中应用。结合某型航空涡喷发动机,首先研究采用神经网络进行非线性动态系统辨识,包括神经网络模型辨识的格式、输入信号形式等问题。然后,提出了一种神经网络自适应控制方法,阐明了该方法基本结构、原理。最后,在选定的设计点处进行发动机控制系统设计,当偏离设计点时,利用神经网络很强的学习、适应能力,通过在线修正神经网络参数,使控制系统仍保持良好性能。      

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。     

直升机动态逆神经网络模型

以SH－2G直升机辨识模型为对象，采用天并作用函数的多层感知器网络，建立了直升机的动态逆神经网络模型，在直升机越障机动飞行仿真的同时，利用直升机操纵信号和对应的状态作为网络的训练样本，对直升机逆模型进行在线辨识，并给出了仿真结果及其分析。结果表明，该网络对直升机动力学逆模型具有良好的在线辨识效果。     

动态模糊RBF神经网络焊接接头力学性能预测建模

建立动态模糊径向基神经网络RBF( Radial Basis Function,RBF)焊接接头力学性能预测模型,克服静态RBF和模糊神经网络( Fuzzy Neural Network,FNN)在结构辨识、动态样本训练及学习算法的不足。该模型的结构参数不再提前预设,在训练过程中动态自适应调整,适用动态样本数据学习,学习算法引入分级学习和模糊规则修剪策略,加速训练并使模型结构更加紧凑。利用三种厚度、不同工艺TC4钛合金TIG焊接试验数据对该模型进行仿真。结果表明：模型具有较高的预测精度,适用于预测焊接接头力学性能,为焊接过程在线控制开辟了新的途径。     

基于RBF神经网络的航空发动机起动模型辨识与仿真

为解决基于气动热力学方程建立发动机起动模型时存在的困难，本文以某型发动机起动调整试验的试车数据为样本，使用径向基函数(RBF)神经网络对在某一大气条件下的发动机起动模型进行了辨识；并使用另外一组试车数据，通过辨识模型对起动过程进行了仿真。结果表明，用RBF神经网络辨识发动机起动模型，具有方法简单、学习速度快、辨识精度较高等优点。     

高超声速飞行器气动伺服弹性的自适应抑制

针对弹性高超声速飞行器的气动伺服弹性问题，提出一种结合线性自抗扰和自适应陷波器的综合控制方案。针对强耦合和强不确定性问题，采用线性自抗扰控制对总扰动进行快速估计和补偿。为了在最小化对刚体控制性能影响的同时实现对频率未知且时变的弹性模态的抑制，采用能够在线估计弹性频率的自适应陷波器。根据气动伺服弹性抑制问题的特点提炼出对自适应陷波器的性能需求。针对这些需求设计了两种基于递推最大似然法的多频率直接辨识方案——参数单独自适应和同时自适应方案。为了提高辨识算法在各种随机扰动下的鲁棒性，在此基础上提出一种在线有效性监督机制，并通过大量的数字仿真对两种方案进行了性能对比。最后，在弹性高超声速飞行器模型上进行仿真，仿真结果验证了所提控制方案的有效性。     

基于径向基神经网络的不确定非线性系统的鲁棒自适应控制

 针对能够采用仿射非线性表示的含有不确定动态的非线性系统 ,提出了一种鲁棒自适应控制方法 ,该方法根据离线辨识出的受控对象的已知部分 ,采用神经网络在线辨识其未知部分 ,并针对辨识得到神经网络模型采用反馈线性化方法设计出自适应控制器 ,同时引入滑模控制方法以增强控制系统的鲁棒性 ,从而实现鲁棒自适应控制。通过对具有未建模动态的非线性直升机空气动力学模型 ,设计了总距通道系统。仿真表明该方法是有效的。     

航空发动机反馈神经网络自适应控制方法

根据反馈神经网络控制方法在发动机控制系统中的应用研究,建立了基于反馈网络的发动机控制系统。采用反馈神经网络辨识发动机模型参数,用动态自适应算法对神经网络权值进行了调整,并在飞行包线内各工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的发动机控制系统具有良好的控制品质和较强的自适应能力。     

多操纵面飞翼构型飞机舵面故障在线诊断方法

舵面故障会影响飞机的操纵性,为实现飞机的控制重构需在线诊断出舵面的故障信息.针对多操纵面飞翼构型飞机,提出了一种在线诊断其舵面故障的方法.飞翼构型飞机舵面故障在线诊断需辨识的操纵导数个数较多,直接使用最小二乘法难以精确辨识得到各操纵导数.基于限定记忆最小二乘法,采用分组辨识法对飞机的操纵导数进行辨识,减少了每次辨识操纵...     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

基于递推傅里叶变换的飞行器参数在线辨识方法

在线辨识在现代飞行控制系统设计中扮演越来越重要的角色,飞行器模型的在线更新使得人们可以采用更智能的控制方法。基于计算精度和速度的考虑,在线辨识方法通常以递推方式进行,主要分为时域和频域两大类方法。在建立飞行器系统模型结构的基础上,利用频域递推傅里叶变换及最小二乘方法,实现对气动及控制偏导数的在线辨识。针对某飞机纵向通道的在线辨识仿真验证该方法有效,且计算速度和收敛速度快,辨识结果与参数真实值之间的一致性好,方法对传感器噪声有较强的适应性。最后,分析比较了各种典型激励信号对辨识结果的影响,为进行实际在线辨识试验提供了参考依据。     

无人机涡喷发动机的神经网络自适应PID控制

将基于RBF神经网络的辨识网络与基于BP网络的控制器相结合，组成自适应PID神经网络控制系统。RBF神经网络采用离线学习在线修正权值和阈值，为加快收敛速度，应用带惯性项的梯度下降法。大量仿真结果表明，RBF网络较ELM，标准BP及改进的BP等网络具有明显优点。对某型无人机涡喷发动机控制系统的仿真结果表明此控制方式具有鲁棒性好、响应速度快、稳态误差小等优点。     

电液力伺服系统的神经网络并行自适应预测 PI 控制

考虑电液伺服系统的复杂非线性和不确定性特性,提出一类基于神经网络的并行自适应预测PI控制结构,该结构使控制参数的调整和系统的实时控制操作可并行进行,不仅做到了神经模型和控制器的在线辨识和设计,而且避免了神经网络方法通常存在的实时控制的困难,使复杂系统的在线学习控制成为可能。仿真结果表明该控制器具有良好的适应性和鲁棒性。      

动态神经网络在液体火箭发动机故障检测与分离中的应用

应用动态神经网络在线辨识方法，提出了一种液体火箭发动机故障实时检测与分离基本系统。检测逻辑通过度量包含发动机故障信息的辨识残差信号实现火箭发动机故障检测，故障分离通过分析辨识误差相关函数的不同空间特征来实现。仿真研究表明动态神经网络可成功地应用于泵压式液体火箭发动机故障检测与分离。     

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络，有效降低模型复杂性，不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本，使用SVM对某一大气条件下的发动机起动模型进行了辨识，并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真；最后，比较了SVM和RBF神经网络起动模型的辨识精度。结果表明，用SVM辨识发动机起动过程模型，方法简单，学习速度快，辨识精度较高。     

基于RBFN的伺服系统前馈控制器设计和仿真研究

 以转台伺服系统为控制对象, 采用RBF 神经网络前馈控制和比例反馈相结合的方法, 并利用单神经元对系统模型进行在线辨识, 为前馈控制器提供Jacobian 参数。将该方法运用在速度环控制中, 仿真结果表明, 采用了该方法的控制系统, 具有较高的跟踪精度和动态性能。     

航空发动机小波神经网络PID控制

提出了一种基于小波神经网络在线辨识的航空发动机比例-积分-微分(PID)控制算法.网络采用三层前向网络结构,以小波函数作为隐含层的激励函数.采用离线训练的方式训练出网络参数,以网络输出和输入之间的偏导数代替发动机模型输出和输入变量之间的偏导数,用以在线修正PID控制器的参数.阶跃响应测试表明,用小波神经网络整定的PID控制系统动态调节时间小于2s,稳态误差为零,在全飞行包线内均稳定正常工作.      

导弹非线性自适应鲁棒控制系统设计

提出了一种基于全调节RBF神经网络的导弹非线性自适应鲁棒控制系统的设计方法，应用全调节RBF神经网络在线辨识系统中存在的不确定性，利用反演和鲁棒控制技术设计了导弹控制系统，成功地处理了非匹配不确定性，并在虚拟控制中引入了微分阻尼项，有效地改善了系统动态性能。最后，应用Lyapunov稳定性理论推导出RBF神经网络各参数的调节律，并证明了系统状态全局渐近收敛于原点的一个邻域，仿真结果验证了该设计方法的有效性和可行性。