使用神经元网络的鲁棒自适应倾斜转弯导弹自动驾驶仪设计

本文对于倾斜转弯自动驾驶仪设计，提出了一种基于神经元网络的鲁棒自适应控制方法。对具有Ｓ形隐神经元的前馈神经元网络控制器的设计作了详细分析。在未知所谓最优神经元网络的先验知识时，我们利用了神经元网络的优点和鲁棒自适应理论设计了一个控制器，该设计采用李雅普诺夫理论确定自适应律，并确保闭合回路中有所信号的有界性。无需预先进行离线训练阶段，并且仅使用一个简单的神经元网络。可以证明，跟踪误差收敛于零域。控制     

基于JPDA-MPC的单站纯方位多目标跟踪

静止单站对多目标进行纯方位跟踪时,若在直角坐标系下建立跟踪模型并使用最近邻标准滤波器(NNSF)进行关联和滤波,结果通常不稳定且容易发散。针对此问题,提出将修正的极坐标系(MPC)下的扩展Kalman滤波算法及联合概率数据互联关联(JPDA)算法相结合。与NNSF-MPC算法的仿真对比试验表明,JPDA-MPC算法可以提高跟踪过程的稳定性,且具有更小的跟踪误差。     

敏捷防空导弹的神经网络及自适应非线性控制

研究表明，神经网络可用来对不确定的非线性系统控制的近似动态特性转换加以改进，在一个总体结构中，神经网络通过在线学习自适应地消除转换误差，这种学习由李亚普诺夫理论推导的一个简单重量更新规则来完成，这样就保证了闭合回路系统的稳定性，该方法得到了好评，并且扩展到多种神经网络和一个S形隐匿层结合起来，敏捷防空导弹的自动驾驶仪都是用该控制线路图设计的。本文介绍的是以非线性动态特性的近似转换为基础的控制规律，该控制系统增大了具有在线学习的神经网络，来自非线性敏捷防空导弹模拟的数字结果证明了所得到的自动驾驶仪的有效性。