基于BP神经网络的高精度陀螺恒流源补偿方法

为了提高陀螺恒流源精度,提出一种基于BP神经网络的陀螺恒流源补偿方法.采用BP神经网络训练恒流源控制指令与恒流源输出之间的非线性映射稳态模型,以实时估计恒流源输出偏差.设计恒流源控制指令补偿判据,当输出偏差超出设定裕度时,按比例对恒流源控制指令值进行实时补偿,使得恒流源输出更接近控制目标值,以实现更优的精度.通过实物在回路仿真验证了上述方案的有效性,并通过与传统对控制指令进行分段线性标定方法相比较,显示了上述方案的恒流控制优势.     

MEMS陀螺标度因数误差分析及分段插值补偿

动态条件下,标度因数引起的误差是MEMS(Micro Electromechanical System)陀螺主要误差源之一.为了提高陀螺精度,基于内框驱动式硅MEMS陀螺误差机理,分析了标度因数常值误差、非线性误差以及不对称误差的物理起因,构建了标度因数误差数学模型,提出了对陀螺标度因数按照角速度大小分段插值的补偿方法,消除了转速引起的陀螺标度因数误差.试验结果表明:MEMS陀螺标度因数误差高达4053.2(°)/h(1 σ ),采用分段插值法补偿后陀螺误差减小到79.0(°)/h(1 σ ),补偿精度比一次拟合及分段法分别提高了15.4倍和7.5倍,验证了MEMS陀螺标度因数误差模型的正确性,证明了标度因数实时分段插值补偿方法的准确性和适用性.      

基于神经网络动态逆的动力伞飞行控制方案

动力伞飞行控制系统为复杂的非线性系统,通过对神经网络逼近逆系统的原理分析,提出一种由静态神经网络和积分器组成的动态神经网络,设计了基于神经网络动态逆方法的飞行控制方案,进行了飞行仿真验证,结果表明该方法完全满足系统控制的稳定性和鲁棒性要求,并具有良好的抗干扰能力．     

BP-AdaBoost模型在光纤陀螺零偏温度补偿中的应用

针对光纤陀螺零偏漂移随温度呈复杂的非线性变化,建立了BP-AdaBoost（Back Propagation neural network,Adaptive Boosting）模型对零偏进行补偿,改善了光纤陀螺的零偏稳定性能.同时,研究了模型参数对预测精度的影响,给出了BP神经网络隐含层神经元个数的选择以及AdaBoost模型迭代次数的确定方法.运用AdaBoost算法提升单个BP神经网络的预测能力,提高了集成模型整体的预测精度.对采集的光纤陀螺输出实测数据进行了事后仿真,结果表明,BP-AdaBoost模型相比传统的线性回归模型、混合线性回归模型、单个BP神经网络模型的补偿效果更显著,验证了该模型的有效性,具有重大的工程应用参考价值.      

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.      

基于自适应动态逆的自动空中加油轨迹跟踪

针对自动空中加油(AAR, Automated Aerial Refueling)的受油机轨迹跟踪控制问题,采用导引环与姿态控制环分离的控制策略,提出了基于非线性路径跟随导引和自适应神经网络动态逆的受油机轨迹跟踪控制方法.该方法将改进的非线性导引应用于受油机横、纵向导引控制,使用自适应神经网络在姿态角速率回路补偿外界干扰和系统模型误差,并利用比例-积分型姿态角速率误差动态方程设计自适应神经网络权值更新律.仿真结果表明:在受油机接近加油机过程中,该方法有效提高了受油机轨迹跟踪控制系统的抗干扰能力和对模型不确定性的自适应能力,能够满足自动空中加油的控制要求.     

基于反馈线性化的MSCMG转子稳定控制

磁悬浮控制力矩陀螺（MSCMG）转子的稳定悬浮是实现陀螺高精度大力矩输出的关键。针对影响转子稳定悬浮的转子径向偏转耦合、非线性参数摄动、动框架效应问题，建立转子的动力学模型，提出了一种基于反馈线性化的增强型内模控制方法。利用反馈线性化方法实现径向偏转运动解耦以及转子动力学模型的线性化，设计增强型内模控制对转子系统的非线性参数摄动进行补偿并有效抑制动框架效应，提升了转子系统的稳定性。MATLAB仿真结果表明:所提出的控制方法实现了转子偏转的完全解耦，与PID控制相比，所提方法可以有效抑制参数摄动对转子径向平动的影响。对于转子径向偏转，与PID交叉控制相比，所提方法可以有效抑制框架扰动，提高系统控制精度。      

平流层飞艇巡航姿态自适应神经网络补偿控制

 研究了一种基于自适应神经网络补偿的平流层飞艇前向速度与姿态控制系统设计方法。针对近似模型进行常规线性动态补偿器设计,并引入自适应径向基函数(Radial Basis Function, RBF)神经网络对模型误差进行补偿。根据Lyapunov方法得到神经网络权值自适应律,保证了闭环系统误差信号一致最终有界。该控制器设计对模型参数信息仅有较少的要求。仿真结果表明对于两类不同的飞艇模型,所设计的控制器在响应性及对未知环境风速作用的鲁棒性方面均具有良好的效果。     

磁悬浮转子状态反馈解耦自抗扰控制方法

针对磁悬浮控制敏感陀螺（MSCSG）转子偏转通道强耦合及航天器姿态测量过程中受扰失稳问题,提出了一种磁悬浮转子偏转解耦抗干扰控制方法。分析了转子两自由度偏转耦合现象,设计了基于状态反馈的解耦控制器;建立了MSCSG在姿态测量过程中航天器的姿态运动对磁悬浮转子产生的干扰力矩模型,采用自抗扰控制器（ADRC）抑制磁悬浮转子的外部干扰;对所建立的扩展状态观测器（ESO）跟踪性和系统稳定性进行了分析,通过调节ADRC中非线性状态误差反馈控制律系数,实现了系统有界输入条件下的稳定。仿真结果表明:状态反馈解耦能够实现偏转自由度的完全解耦,ESO具有良好的跟踪性能,ADRC较传统PID控制方法具有更好的抗干扰性能。      

半球谐振陀螺阻尼不均匀误差补偿方法

半球谐振陀螺是基于哥氏效应测量角速度的新型固态陀螺，全角模式下具有低噪声、高带宽和大动态范围，并且可以直接读取角度信号，具有良好的应用前景。针对全角模式下的主要误差来源——阻尼不均匀项，在二维谐振子振动模型的基础上，简要介绍了Lynch平均法，结合驻波进动方程，重点梳理了“四力控制”法、方位角自适应补偿法和“虚拟旋转”法等误差补偿方法，并对各补偿方法进行了总结，最后对半球谐振陀螺误差补偿技术的发展趋势进行了展望。     

磁悬浮控制敏感陀螺转子前馈解耦内模控制

磁悬浮控制敏感陀螺以洛伦兹力磁轴承（LFMB）为力矩器驱动转子偏转。针对磁悬浮控制敏感陀螺转子径向转动自由度间存在耦合的问题以及转子偏转高精度快响应要求,提出一种前馈解耦内模控制方法。根据洛伦兹力磁轴承的工作原理建立了转子偏转动力学模型,并设计了前馈解耦矩阵实现转子径向偏转解耦,在此基础上,采用二自由度内模控制器（2-DOF IMC）对转子进行高精度快响应偏转控制。MATLAB仿真结果表明所提出的控制方法可有效实现对陀螺转子偏转的完全解耦,且转子偏转响应时间较交叉PID算法减少57.1%,受0.1sin（2πt）°正弦信号扰动影响产生的偏转波动幅值较交叉PID算法减少76%。      

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。     

旋转激光陀螺惯导系统误差传播特性分析

设计旋转式惯导系统(INS, Inertial Navigation System)最重要的工作是理清旋转调制误差自动补偿机理、掌握补偿前后误差的传播特性,在此基础上设计合理的转位方案,并对其进行仿真和试验验证.结合单轴旋转式惯导系统工作原理和误差传播方程,解释了旋转调制误差自动补偿的机理,利用理论和仿真两种手段分析了单轴旋转惯导系统中惯性元件常值误差、随机误差、标度因数误差和安装误差的传播特性,得到了旋转调制对惯性器件误差的调制效果,验证了单轴正反转停方案的有效性和应用的合理性.研究结果为旋转式激光陀螺(LG, Laser Gyroscope)惯导系统的设计提供了理论参考和设计依据.     

基于深层循环神经网络的陀螺仪降噪方法研究

陀螺仪固有的随机误差会随时间积累越来越大，循环神经网络作为一种有效处理时间序列信号的算法被广泛使用，然而传统的循环神经网络在处理陀螺仪产生的随机误差上无法解决长期依赖，容易出现梯度消失和梯度爆炸问题.为了获得精确的陀螺仪信号，本文基于循环神经网络变体的长短记忆网络和门循环单元的陀螺仪信号降噪算法，并创新性的将两种网络进行组合验证.文中先是通过Allan方差对陀螺仪随机误差进行误差分析，然后基于LSTM和GRU组合对陀螺仪输出信号进行补偿处理，结果表明LSTM结合GRU对陀螺仪的随机误差处理有明显改善，其中X、Y、Z轴方向陀螺仪的量化噪音、角度随机游走、零偏不稳定性、角速度游走和速度斜坡性能均有不同程度的提升.     

基于神经网络的撞球机器人控制器设计

对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。