神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

基于B平面的火星探测直接转移轨道设计方法

将轨道设计转化为常微分方程两点边值(TPBVP)问题,采用微分修正法求解该边值问题.将B平面概念同时应用于地球和火星,借助B平面与双曲线轨道的几何关系解析地给出了两点边值问题的边界条件的建立方法,理论上说明了火星探测直接转移轨道存在4组解的原因,同时提出了控制探测器到达相对火星双曲线轨道近火点时刻的准确参数表示方法.最终给出仿真算例,将轨道设计结果代入STK,结果合理.     

神经网络在飞翼布局飞机主动涡流控制中的应用

以小展弦比飞翼布局飞机为研究对象,其本体的优化增稳控制器由3个气动舵面(连续控制面)构成.为增加操纵能力,基于神经网络设计了主动涡流(bang-bang型控制面)优化控制器.为加快网络的训练速度和收敛精度,采用三层反馈神经网络,通过改变每层网络权重和隐层神经元单元个数对网络进行优化.最后给出了增加主动涡流控制器的飞机闭环系统的响应结果.与仅采用气动舵面闭环响应结果的对比仿真表明,增加主动涡流控制器后闭环系统可获得更好的响应特性,系统达到稳态的时间和所需气动舵面的控制量均明显减小.      

防空导弹最优弹道的协态估计优化算法

为了快速精确地得到防空导弹中段最优弹道,在拟勒让德谱变换法的基础上提出了协态估计优化算法.该算法克服了采用拟勒让德谱变换法所得非线性规划NLP(Non-Linear Programming)问题优化变量过多、收敛速度慢的缺点,并能在避免求解两点边值问题TPBVP(Two Point Boundary Value Problem)的前提下,快速解得近似满足最优解必要条件的解.针对防空导弹中段弹道优化问题的特点,应用提出的协态估计优化算法进行优化得到结果,与拟勒让德谱变换法所得结果相比,表明该算法具有收敛速度快,优化精度高的优点.     

地空导弹微分对策最优制导律研究

运用微分对策理论研究具有一阶延迟环节的战术导弹和机动目标之间的三维追踪－逃逸问题，在多重时间尺度分解的假设下，采用强迫奇异摄动方法，得出了仅依赖于可测量状态变量及导弹，目标性能参数的近似解析形式扶组合次优控制策略，从而对于二人零和，非线性微分对策问题给出了一个近似反馈解，避免了求解动态最优化问题中经常出现的两点边值问题，使数值计算工作量大为减少。     

带静态参数的高超声速飞行器轨迹优化算法

提出了一种求解带静态参数最优控制问题的间接算法,解决了带静态参数的高超声速飞行器轨迹优化问题.将最优控制中的静态参数分为3类:终端时间、边界点状态变量和设计变量.通过转换公式,可以将终端时间变为优化过程中的一个设计变量,终端时间可变问题转换为终端时间固定问题.边界点状态变量自由,可以根据极大值原理推导获得相应的协态边界条件.设计变量可以看作是导数为零的状态变量,从而获得新的状态方程和协态方程,以及初始和终端对应设计变量的协态值.经过变化,带静态参数的最优控制问题构成一个标准两点边值问题.最后以乘波体为研究对象,将气动外形参数作为优化静态参数,完成了外形/轨迹一体化优化设计,获得了满足全局最大航程要求的最优气动外形.      

有界双重控制导弹微分对策制导律

针对有界控制导弹采用鸭舵或尾舵单一控制形式存在的劣势,基于双边优化微分对策理论,推导了一种有界双重控制导弹微分对策制导律。该制导律不仅将鸭舵与尾舵两组舵面的控制有效融合在一起,而且实现了有界控制命令最优的分配设计。分析了该微分对策制导律的对策空间,并从弹目机动性能比和控制系统时间常数比之间的关系,给出了鞍点解的存在条件。考虑非完全信息情形,完成了目标加速度滤波器和拦截性能衡量指标的设计。采用Monte Carlo法进行了制导性能的仿真验证,结果表明:所设计的有界双重控制导弹制导律与采用单一的鸭舵控制或尾舵控制的导弹相比不仅机动性要求较低,且具有较高的命中概率。      

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.      

控制力矩陀螺框架高精度周期随动控制

为实现控制力矩陀螺框架伺服系统的高精度周期随动控制,采用比例积分微分(PID,Proportion Integration Differentiation)控制器结合重复控制器的控制方式,PID控制器实现框架伺服系统静态和匀速运动的高精度控制,插入式重复控制器实现对周期性输入信号的精确跟踪.对控制力矩陀螺框架系统进行了建模,设计了PID控制器与插入式重复控制器,并分析了重复控制器的稳定性条件、稳态跟踪性能和对扰动的抑制能力.仿真结果和实验结果表明:采用插入式重复控制器使控制力矩陀螺跟踪1Hz给定速度信号时的稳态跟踪误差大幅减少.PID控制器结合插入式重复控制器结构简单,两者可分开独立设计,参数设计容易.     

压电网络板的振动控制原理与控制效果

在给出压电网络板机电耦合动力学方程的基础上对其进行求解,将压电网络板的响应表示为子模态压电系统响应的线性组合.通过分析压电网络板在脉冲激励下子模态压电系统的响应行为,揭示压电网络板可以通过两种途径控制自身振动.基于对传递函数的分析进一步得到子模态压电系统的最优电学参数;在此基础上研究了针对某一阶子模态压电系统设计最优电学参数时,各阶子模态压电系统的响应行为以及压电网络板的多模态控制效果.研究结果表明,压电网络板具有多模态控制效果,特别地,当对板的某一阶次的振动控制具有较高要求时,通过对最优电学参数进行设计,电感电阻并联型压电网络板可满足要求.     

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PIDNN控制的飞行模拟器人感系统

针对飞行模拟器人感系统的高度非线性和易受干扰性,提出一种基于PIDNN(Proportional Integral Differential Neural Network)的控制方案.首先对飞行模拟器人感系统的模型进行分析研究,对它所受到的外界干扰作理论分析,整理出系统的数学模型,再利用PIDNN控制器优良的在线训练、学习和调整功能对该模型进行仿真控制.与传统PID(Proportional Integral Differential)控制器相比,PIDNN结构简单、自适应性强、收敛速度快、不会陷入局部极小.仿真结果表明:PIDNN控制系统响应速度快、稳态精度高、 具有良好的动静态特性和鲁棒性,满足实时控制的要求.      

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

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.     

基于深度卷积的残差三生网络研究与应用

针对图像多分类任务,提出基于深度卷积的残差三生网络,旨在通过残差学习和距离比较来训练神经网络得到有效的特征表示。首先,设计了一个21层的深度卷积神经网络作为三生网络的嵌入网络,其中该卷积网络共连接6个块（block）。利用残差学习的方式,每个block的输出层由卷积层的输出和该block的输入共同组成,降低网络学习难度,避免网络出现退化问题。然后,每个block中采用相同拓扑结构分路的卷积层,拓宽网络的宽度。最后,在全连接层拼接了来自前面卷积层和block的输出,加强特征信息的传递。训练前,针对正负样本采用交叉组合的采样方法来增加有效训练样本量;训练期间,用样本中心点更换原点样本作为输入,能平均降低0.5%错误率。在与其他三生网络的对比实验中,在MNIST、CIFAR10和SVHN数据库上达到最好的效果,在所有分类网络中,本文网络在MNIST上达到最好的效果,在CIFAR10和SVHN上表现优异。      

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.     

基于循环神经网络的卫星姿态执行器故障诊断

针对卫星姿态控制系统执行器机构故障问题，提出了一种基于循环神经网络的故障诊断方法。对卫星姿态控制系统建模，进行故障分析并采集星敏感器和角速度陀螺的连续时刻故障数据。设计六种异构的循环神经网络，对故障数据进行故障诊断和分类, 分别从网络深度、反馈单元、激活函数和训练算法对比网络效果。带有门循环单元的 (gate recurrent unit，GRU)深层循环神经网络训练效果更好，其故障诊断准确率达到了95.7%。结果表明对于时序的卫星数据，门循环单元和带有一定深度的循环神经网络故障诊断效果更优。     

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.