自适应评判神经网络在微分对策中的应用

采用由3个神经网络组成的自适应评判神经网络结构求解微分对策的2点边值问题,其中2个 为控制神经网络,分别实现对微分对策系统中双边控制器的优化,一个为协 态神经网络,用于对2点边值问题中的协态变量进行求解,协态网络的输出对控制网络进行 校正,训练以后的2个控制网络作为双边的反馈控制器在线应用.并将神经网络结果与采用 Chebyshev技术的微分对策数字解进行了对比.追逃微分对策仿真结果表明了该方法的有效 性,并且对初始条件和测量噪声具有较强的鲁棒性.      

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。      

多输入傅里叶神经网络及其麻雀搜索优化

鉴于反向传播（BP）神经网络存在灵敏度高但收敛速度慢,以及已有傅里叶神经网络不具备多输入数据特征提取能力,借助多个傅里叶神经网络构建能接收多维数据的堆叠神经网络,进而将其与多层感知器融合,获得基于梯度下降的多输入傅里叶神经网络。结合此神经网络获取全局最优参数值难的因素,通过在麻雀搜索算法中引入Cat混沌映射、动态种群规模调节机制及参数自适应调节方案,提出改进型麻雀搜索算法,并将其应用于多输入傅里叶神经网络的参数优化及高维函数优化问题的求解。理论分析可得,所提算法的计算复杂度主要由种群规模和优化问题的维度决定。比较性的数值实验表明,所获神经网络提取多源数据特征的能力和泛化能力强,同时所提算法处理高维优化问题具有明显优势且收敛速度快。     

磁浮支承系统的神经网络建模与控制

简述了磁悬浮支承系统的原理和简化的线性化模型,以及基于该简化模型和线性控制理论的控制系统原理、主要组成,并阐述了这种基于简化模型和线性控制理论的磁悬浮支承系统性能极限性.在此基础上,采用非线性递归神经网络对磁悬浮支承系统进行建模与控制,并针对实际应用中神经网络的学习问题进行了讨论.避免了磁悬浮系统的非线性和不确定性等因素对系统性能影响,并具有较强鲁棒性,大大提高了磁悬浮系统的性能.      

冗余直接驱动阀系统的余度控制策略

针对冗余直接驱动阀伺服系统中由于余度降级所造成的性能降低问题,提出一种神经网络自适应滑模余度控制策略.利用径向基函数神经网络RBFNN(Radial Basis Function Neural Network) 的在线学习功能,对系统发生的变化进行快速自适应补偿,使系统状态趋近于滑模面,提高跟踪精度和鲁棒性;并通过与比例微分PD(Proportional-Derivative)算法的并行控制,促进RBFNN的收敛,增强系统的稳定性.通过与PID(Proportional-Integral-Derivative)切换控制策略的对比研究,表明RBFNN自适应滑模余度控制方法不但设计简单,而且能够有效克服余度降级带来的系统性能下降的问题,极大地改善了系统的品质.      

改进的BP神经网络在飞机防滑刹车系统的应用

为了在飞机刹车过程中防止打滑和取得最佳刹车效果,提出用BP神经网络构造S_p(最佳滑移率)识别器.为了提高神经网络的学习能力,介绍一种学习步长自适应方法——二阶步长法,讨论了二阶步长法在实际应用中的一些问题并提出了解决方案.在二阶步长法基础上提出了三阶步长法.还提出了合理配置活化函数的方法.综合以上方法对BP算法加以改进,使学习精度和速度都大大提高.      

证据理论和神经网络结合的目标识别方法

提出用证据理论和神经网络结合的高分辨率雷达(HRR)目标识别方法,即首先把多个目标高分辨一维距离像送入学习矢量量化神经网络,进行目标类证据估计;然后用D-S证据理论对各次估计结果进行融合.提出了连续特征空间离散化及类支持度构造的方法,并分析了神经网络识别的误差原因.仿真实验结果表明,这种方法的输出正确识别率比仅仅使用矢量量化神经网络有较大的改善,抗噪能力也有所提高.     

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。     

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.     

基于全局灵敏度方程的多层次弹道优化设计

为了使防空导弹优化的弹道更有效的拦截目标,依据多层次法理论,以杀伤概率最大为目标,设计导弹中制导段弹道和末制导段时间参数.整个模型分为3层,第1层是导弹中制导段弹道,第2层是导弹末制导段,第3层是战斗部毁伤目标.将一个层次视为一个子系统,多层次弹道优化问题实质上就是多学科设计优化问题.采用全局灵敏度方程方法计算参数之间的敏度,在系统层进行优化,最终可得到杀伤概率最大的弹道.最后进行了拦截空地导弹目标的计算示例,并采用了均匀实验设计方法和BP神经网络以减小计算量.结果证明全局灵敏度方程是求解多层次弹道优化设计的有效方法.     

基于模糊神经网络的导弹最优寻的末制导律

提出了一种适用于一类末制导段采用推力矢量控制的新型导弹的模糊神经网络最优寻的末制导律.在制导律设计时不仅要求导弹能量最省,脱靶量最小,同时考虑了推力矢量控制的非线性特点,并且为改善该神经网络系统的学习效果,在学习算法中还引入模糊学习规则.数字仿真表明所提出的模糊神经网络制导律对于机动目标具有较好的攻击能力.     

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.     

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。     

基于改进人工神经网络的航天器电信号分类方法

根据航天器系统级电性能测试工作中数据量大、任务繁重的特点,设计了基于人工神经网络的智能分类系统,对原始测试数据进行智能化分类,将非线性的调试经验以数据的形式储备,可在减少测试工作中对人为经验依赖的同时为航天器信号识别快速提供专家知识。考虑到经典的人工神经网络系统有训练时间长和对网络初始权值的依赖程度高等不足,利用主成分分析对数据进行压缩和自动编码技术对网络权值进行初始化。实验数据测试表明:与传统方法相比,本文提出的改进学习系统的分类准确率、稳定性和响应速度均得到显著提高。      

Predictive fault-tolerant control of an all-thruster satellite in 6-DOF motion via neural network model updating

The problem of controlling an all-thruster spacecraft in the coupled translational-rotational motion in presence of actuators fault and/or failure is investigated in this paper. The nonlinear model predictive control approach is used because of its ability to predict the future behavior of the system. The fault/failure of the thrusters changes the mapping between the commanded forces to the thrusters and actual force/torque generated by the thruster system. Thus, the basic six degree-of-freedom kinetic equations are separated from this mapping and a set of neural networks are trained off-line to learn the kinetic equations. Then, two neural networks are attached to these trained networks in order to learn the thruster commands to force/torque mappings on-line. Different off-nominal conditions are modeled so that neural networks can detect any failure and fault, including scale factor and misalignment of thrusters. A simple model of the spacecraft relative motion is used in MPC to decrease the computational burden. However, a precise model by the means of orbit propagation including different types of perturbation is utilized to evaluate the usefulness of the proposed approach in actual conditions. The numerical simulation shows that this method can successfully control the all-thruster spacecraft with ON-OFF thrusters in different combinations of thruster fault and/or failure.     

Adaptive neural network control of nonlinear systems with unknown dynamics

In this study, an adaptive neural network control approach is proposed to achieve accurate and robust control of nonlinear systems with unknown dynamics, wherein the neural network is innovatively used to learn the inverse problem of system dynamics with guaranteed convergence. This study focuses on the following three contributions. First, the considered system is transformed into a multi-integrator system using an input–output linearization technique, and an extended state observation technique is used to identify the transformed states. Second, an iterative control learning algorithm is proposed to achieve the neural network training, and stability analysis is given to prove that the network’s predictions converge to ideal control inputs with guaranteed convergence. Third, an adaptive neural network controller is developed by combining the trained network and a proportional-integral controller, and the long-standing challenge of model-based methods for control determination of unknown dynamics is resolved. Simulation results of a virtual control mission and an aerospace altitude tracking mission are provided to substantiate the effectiveness of the proposed techniques and illustrate the adaptability and robustness of the proposed controller.     

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于小波变换和神经网络的脑电信号分类方法

结合小波变换和神经网络对酒精中毒者和正常清醒者的脑电信号进行分类.通过分析脑电数据找出分类特征;采用一维离散小波变换提取含有分类特征的脑电信号频段,并以小波变换分解系数作为信号特征,实现数据序列长度压缩;对应3种刺激方式建立3个相同结构的学习向量量化(LVQ)神经网络,用于对脑电信号的预分类;根据判决规则得到最终分类结果.对真实脑电数据的分类正确率达到89%.