基于BP神经网络参数整定的快刀伺服控制系统研究

为了实现光学自由曲面的高效精密加工,开发了一种基于音圈电机驱动的快刀伺服机构。为降低面形误差,对快刀伺服控制系统展开了研究。建立快刀伺服和音圈电机的数学模型和分析PMAC控制器和驱动器的控制算法,从而建立了快刀控制系统的仿真模型。为了减小快刀控制系统的跟踪误差,提高控制性能,提出了BP神经网络整定控制参数的方法。并对参数整定后的控制系统进行仿真和实验验证,跟踪误差为2.8μm,有效提高了快刀伺服控制系统的性能,使得满足加工的精度要求。     

平流层飞艇升降阶段BPNN惯性导航算法

软式平流层飞艇艇体在上升和下降时经常呈堆叠状态，GPS信号会被艇体间歇性遮挡，因而只能采用惯性导航。为保证在飞艇上升和下降过程中，INS/GPS组合导航系统在被艇体遮挡GPS时仍能够提供满足精度要求的导航信息，设计了一种改进的反向传播神经网络(Back Propagation Neural Network, BPNN）惯性导航算法。采用神经网络，根据惯性导航系统在1s内的速度均值和姿态变化量，预估其在1s末的位置误差和速度误差，并对惯性导航结果进行修正。仿真实验和跑车试验结果表明，在GPS失效的30s内，新算法使得位置误差低于15m，速度误差低于0.7m/s，误差相比纯惯性导航降低了85%。     

舵面电动加载系统的自适应CMAC复合控制

针对无人机舵面电动加载系统具有非线性及多余力矩的特点,提出了一种自适应CMAC(Cerebellar Model Articulation Controller)神经网络与自适应神经元控制器并联构成复合控制结构.该控制策略以系统的指令输入和实际输出作为CMAC的激励信号,以系统的当前控制误差作为CMAC的训练信号.提出了利用误差在线自适应调整学习率的方法,消除了常规前馈型CMAC的过学习和不稳定现象.建立了无人机舵面电动加载系统的数学模型,给出了具体的控制结构和算法.仿真结果表明:该方法有效抑制了加载系统的多余力矩,增强了系统的稳定性,明显改善了舵面电动加载系统的动态性能.     

基于神经网络和遗传算法的公差优化设计

针对产品制造中公差与成本之间高度非线性关系的特点,提出了一种综合神经网络与遗传算法进行公差优化的方法,该方法利用遗传算法在大范围解空间内采用概率搜索策略得到全局最优解且有较强鲁棒性的特点,以及神经网络解决高度非线性问题的优越性,首先利用神经网络对公差成本进行仿真,得到具有黑箱特点的公差成本函数关系;然后在公差分配中采用遗传算法,以总成本最小为目标函数,以满足装配公差要求和符合标准公差等级为约束条件进行优化;同时基于VC和Matlab开发了公差优化系统,以飞机舱门锁钩机构为对象进行了验证,并针对不同的公差成本及分配方法进行了对比.结果表明:采用神经网络与遗传算法综合分配的结果与传统方法相比具有较大的优越性.     

真实感DVE时空一致性技术

传统的一致性解决方案大多将重点放在构建完全一致性模型,缺少对虚拟环境本身运动规律的分析.从认知虚拟环境客观规律出发,提出基于真实感的一致性模型,遵从以人为本的原则,构建描述分布式虚拟环境下时空一致的数学模型,判断虚拟环境下的节点是否达到时空一致,并加以验证.在充分利用一致性模型的基础上通过单向数据传输减少时间扭曲后的回滚节点数目,增强用户沉浸感;利用时延神经网络对大于传输延迟上限的节点状态进行预测;完成节点的状态修复,从而保证时空同步一致.经过独立实验测试,验证了模型的有效性以及解决方法的可行性.     

一种方形盒坯料快速设计方法

针对冲压件坯料设计存在的难题,本文以方形盒冲压件为对象,提出一种结合径向基函数神经网络(RBFNN)和有限元反向法(IA)的快速坯料设计方法。利用神经网络高度的非线性映射能力,建立方形盒零件几何形状和坯料轮廓尺寸的映射模型。利用有限元反向法为RBFNN提供训练样本,同时采用基于变形路径的坯料优化方法改进了训练样本的精度,提高了RBFNN模型对的坯料外形的预测能力。实验证明采用RBFNN-IA方法可以实现方形盒坯料的快速设计,而且可以提高坯料的预测精度。     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

基于加权式多模型结构的歼击机自适应重构控制

针对复杂的歼击机飞控系统,提出一种基于多模型结构的鲁棒自适应控制方法,使得系统可以在不同的运行环境下跟踪给定的信号,并且对飞机操纵面故障具有重构作用.首先,由多个线性模型和一个模糊模型构成多模型控制结构,采用模糊方法设计多模型自适应控制器中的权值系数,再引入动态结构自适应神经网络以保证系统的稳定性,故避免了模型切换引起的噪声.最后,对歼击机进行正常和故障状态下的控制仿真,结果验证了所提控制方法的有效性.     

基于神经网络的不确定性空间机器人自适应控制方法研究

提出了一种针对自由漂浮状态的空间机器人模型不确定性的神经网络自适应控制 方法。通过RBF神经网络逼近模型的非线性函数和不确定性上界,无需预先估计系统的不 确 定性程度和外部干扰,提出的自适应控制律保证了权值的有界性,解决了神经网络权值的UU B（Unknown Upper Bound）问题,即未知上界有界问题,完成了笛卡尔空间内空间机器人轨 迹规划任务。证明了所提出的控制方法的稳定性,仿真结果表明控制方法避免了对空间 机器人动力学模型的参数线性化要求降低了计算量,能够满足实际任务中的实时性要求。
     

解卷积算法性能研究

针对卫星导航应用中多路径问题,解卷积算法被提出用来补偿多径信号造成的定位误差。该算法估计出信道的冲激响应,采用信道均衡的方法补偿多径信号造成的定位误差。算法的噪声性能取决于相关峰的形状,仿真表明解卷积算法能够很好的估计信道的冲激响应,估计的噪声性能和理论推导一致。