一种非线性系统集员辨识算法

针对带有未知有界噪声的非线性动态系统的鲁棒辨识问题,提出了一种新的非线性动态系统的集员辨识算法.利用径向基函数神经网络的逼近能力,根据系统的输入输出数据,选用径向基函数神经网络对未知非线性系统建模.径向基函数神经网络的中心被确定之后,考虑到建模误差与系统噪声有界,利用径向基函数神经网络为参数线性模型的特点,使用参数线性集员辨识算法辨识径向基函数神经网络的输出权值.由于集员辨识算法所得到的是网络输出权值的集合估计,在系统运行过程中,可以很方便地利用所建模型预测实际系统的输出范围.仿真表明,集员辨识算法辨识网络的输出权值比最小二乘法较少的受未知动态系统噪声分布的影响.     

复合舵机的神经网络自校正控制

针对复合舵机的时变和非线性特性,提出了神经网络自校正控制方法.用改进的非线性自回归滑动平均模型(NARMA)对复合舵机进行动态建模,采用多层感知器神经网络辨识舵机非线性模型,由广义逆思想设计出控制器,并根据被控对象与辨识模型间误差在线调整网络权值,进而修正控制律,实现了复合舵机的自校正控制.仿真结果表明,在模型有时变及非线性因素的情况下,此方法仍能得到较好的控制效果.      

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

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.     

采用BP算法的模糊自适应控制

在对不熟悉的过程进行模糊控制时,由于对过程的不了解,很难得到合适的控制规则.基于模糊控制器的一种解析结构,提出了将模糊控制器与神经网络相结合的方法.由神经网络对系统进行辨识,并为学习系统提供必要的信息,将控制对象视为神经网络的输出部分,采用BP算法根据神经网络提供的信息对经验规则进行修改,从而改善模糊控制系统动态响应.仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入.     

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.     

非线性随机动态系统学习建模方法

在动态神经网络及扩展卡尔曼滤波算法的基础上，提出了对非线性随机动态系统进行学习建模的迭代算法，用这种方法对非线性随机系统建模，可以获得更准确伯系统模型，并可对非线性随机系统进行状态估计。最后给出相应算法及仿真结果。     

基于非线性神经网络的摆式列车检测系统动态补偿方法研究

针对零极点匹配动态补偿方法的不足 ,提出基于非线性神经网络的摆式列车检测系统动态补偿方法。根据陀螺平台实测超高数据 ,采用LM算法对所设计的非线性神经网络进行训练。仿真结果表明 ,所设计的神经网络动态补偿器能有效改善陀螺平台系统的动态特性 ,满足摆式列车倾摆控制实时性的要求。     

含间隙非线性二元翼段的系统辨识

在实际包含间隙非线性的复杂结构中,由于间隙不易或无法测量,难以建立准确描述结构特性的动力学模型;即使间隙得到准确测量,也难以获得结构的标称线性系统的模态参数。为此,利用条件逆谱法和时域非线性子空间法,通过非线性系统辨识获得间隙非线性系数,同时获得非线性结构的标称线性系统的频响函数。以一个包含间隙非线性的二元翼段为例,通过数值方法模拟该二元翼段的地面振动试验,利用条件逆谱法和时域非线性子空间法开展该结构的非线性系统辨识。结果表明:两种方法均可准确地辨识结构的标称线性系统,条件逆谱法利用光滑函数近似,时域非线性子空间法利用多个分段线性函数重构,辨识得到间隙非线性系数。      

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.     

一种高精度GPS卫星钟差预报方法

为了获得实时高精度GPS钟差,提出了采用快速星历建模进行短期预报。文章先对钟差数据提取趋势项,再利用傅里叶分析研究其周期特征以确定建模与预报时间段长度,最后利用径向基函数(Radial Basis Function,RBF)神经网络建模实时预报钟差。由于RBF神经网络用于非线性数据建模效果良好,在提取线性趋势项并合理确定建模周期后,该方法能够得到较好的预报结果。实际预报结果表明,文中方法得到的预报钟差精度高于超快速星历,能够满足分米级实时精密定位的要求。     

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。     

悬停状态下小型无人直升机飞行动力学模型辨识

为了更好地研究小型无人直升机悬停状态动力学特性,对一个8.1 kg三轴陀螺仪增稳的电动直升机,从线性系统辨识方面及非线性建模方面,进行了动力学模型深入研究。在线性系统辨识过程中,应用频域辨识方法,在飞行中同时采集陀螺仪之前及之后的操纵数据进行双系统辨识。在非线性建模过程中,机体、旋翼及尾桨动力学被分别建模。尾桨动力学应用3阶段辨识法单独提取基底、陀螺仪及整体增稳模型。结合2种分析过程,应用非线性-线性模型结合修正方法,提高相互的仿真精度。结果表明:13阶高阶模型在线性辨识过程中相对比11阶模型表现更优;双系统线性模型的基底模型数据具有高质量高频特性,最高频率限制可达30 rad/s;除挥舞方程参数和尾桨参数以外,非线性数学模型（NMM）进行了7个非线性变量的修正,有效地拟合了悬停实验数据。      

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．     

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

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.