基于RBF神经网络的导弹鲁棒动态逆控制

讨论了一种基于神经网络的导弹鲁棒动态逆控制方法。导弹的基本控制律采用动态逆方设计,针对存在动态逆误差的慢回路设计神经网络鲁棒逆控制器。用RBF神经网络逼近导弹慢模态数学模型,并把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;鲁棒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精度的影响。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精度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。
     

利用BP网络校正跟踪接收机的相位漂移

针对跟踪接收机不同通道之间相位差的漂移问题,提出利用BP神经网络作为校正环节来消除此相位漂移。通过原理分析用数学方法描述跟踪接收机存在的相位漂移问题,介绍BP神经网络的网络模型和一种动态全参数自适应学习算法,进而提出基于BP神经网络的相位漂移校正算法。仿真结果表明,该方法的相位校正效果较好,不仅保证了系统的角跟踪精度,而且实现了高度的自动化。     

基于神经网络的机动飞行器自适应控制方法

针对机动飞行器强耦合性、快时变性以及高不确定性的问题,建立了六自由度刚体运动数学模型,按照时间尺度将姿态运动模型分为快变子系统和慢变子系统并分别设计动态逆控制律。然后给出了神经网络自适应控制器的设计方法,对神经网络的逆误差补偿原理、输入的选择、权值矩阵更新规则进行分析。通过算例进行六自由度仿真,证明本文方法的跟踪精度较高。     

基于小波矩特征和神经网络的灰度图像识别算法研究

小波矩结合了矩特征和小波特征,既反映了图像的全局性信息,又反映了图像的局域性信息,并且具有旋转、平移和缩放不变性。文章研究了基于小波矩的灰度图像特征提取算法,并将其与BP神经网络组合,利用神经网络的强学习能力和容错性,形成一个灰度图像识别系统。仿真实验表明,在图像失真较小的情况下识别率可达到100％,较之未提取特征的神经网络识别方法而言,网络收敛速度与识别精度都有较大的提高。     

无线传感器网络空中目标跟踪任务分配技术的研究

以无线传感器网络对空中飞行目标跟踪为背景，针对无线传感器网络协同技术中的任务分配问题，以降低传感器节点之间的通信能量消耗为目的，提出了一种基于弹性神经网络的任务分配算法。首先对多动态联盟多目标跟踪问题进行建模，然后依据最小能量准则，采用一种非全连接的环形结构的弹性神经网络模型，解决了多目标跟踪时的任务优化分配问题以及多个动态联盟对传感器资源竞争冲突时系统能耗增加的问题。仿真结果表明，该算法与传统的方法相比，大大降低了跟踪系统的能量消耗。     

基于自适应小波网络的反舰导弹非线性控制算法研究

提出了一种综合运用动态逆、小波神经网络和滑模控制的非线性控制方法。首先运用动态逆理论对非线性系统进行近似线性化,利用具有在线学习能力的小波网络来抵消系统的误差,根据李雅普洛夫稳定理论导出了网络权值的自适应调整规则,用滑模控制和鲁棒控制分量保证了系统的鲁棒性。将该非线性控制算法用于某型STT导弹的控制系统设计,并采用输出重定义技术解决原系统的非最小相位问题。仿真结果表明,这种方法能有效消除扰动的影响,提高导弹过载控制系统响应的精度。
     

复合材料结构损伤的小波神经网络辨识研究

将小波神经网络应用于结构健康监测，研究实现复合材料结构常见损伤的高精度辨识。剖析了小波神经网络的收敛算法，并使用了惯性系数以抑制振荡并提出了一种自适应调整学习率的算法以加快收敛。组建结构健康监测实验系统，进行数据处理和特征提取以获得不同的结构损伤模式。提出了小波神经网络初始权值的设置方法，据此删除了小波神经网络的冗余节点。将该小波神经网络应用在实验获得的各种结构损伤模式的辨识上，验证了它的高精度和快速收敛，并成功实现了复合材料结构损伤状态的辨识仿真。     

基于小波神经网络的双足步行机器人步态规划控制器

对于传统的神经网络中神经元模型在结构和信息存储能力上存在的不足，本文提出了一种基于广义小波其函数网络的神经元集聚模型，这种小波神经网络不仅收敛速度快，非线性逼近能力更好，而且具有内部结构变尺度、自适应调整和广义信息存储等智能化特点，更符合生物原型的实际情况。静态学习和准动态学习仿真实验证明这种神经网络结构的有效性。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

基于VB的CCD焊缝自动跟踪程控系统研究

在研究一种智能型焊缝跟踪系统的过程中,用VB语言开发出准确识别焊缝位置的图像处理软件,通过工控机准确提取CCD视觉传感器检测到的焊缝中心,再与可编程控制器组成完整的闭环系统,达到高精度的焊缝跟踪的目的。     

铝合金焊缝成形的神经网络建模

利用神经网络对LF6铝合金的焊缝成形进行了建模，同时运用模糊推理的方法对神经网络的预测功能进行了扩展。首先根据实际确定焊缝的成形参数为正面熔宽、正面熔高、背面熔宽、背面熔高，焊缝成形的控制参数为对接间隙、送丝速度、焊接速度、焊接电流；采用正交试验设计的方法设计试验，使用较少的试验数据来获取焊缝成形信息。然后，进行试验，利用试验数据来对神经网络进行训练。采用BP算法对焊缝成形控制参数空间和焊缝成形参数空间进行了函数逼近，建立了BP网络模型。此模型能够对位于焊缝成形控制参数空间内的输入参数进行高精度的预测，对焊接参数进行修正以获得良好的焊缝成形，并可减少焊接试验次数。     

基于神经网络与自适应控制的系统重构方法

针对可重构飞行控制系统提出一种基于神经网络的抗扰动方法,其核心是运用神经网络的函数逼近能力去抑制非线性形式且动态特征未知的扰动。同时提出一种基于输入误差的自适应模型跟踪控制算法,可以保证系统在发生故障或局部损坏时的安全性和稳定性。将神经网络与自适应控制结合,从而降低扰动对故障检测和系统重构的影响,进而有效的降低故障误报率,提高系统的安全性。通过一个具体航空系统的仿真结果证实了该方法的有效性。     

一种INS辅助GNSS高动态弱信号标量跟踪方法

为提高恶劣电磁环境下的高动态卫星导航接收机的干扰抑制能力,提出一种低成本INS自适应辅助标量跟踪环路方法。该方法以INS辅助二阶锁频环(IFLL2)算法为核心,采用INS/GNSS紧组合结果提高外部辅助跟踪环路的多普勒频率估计精度,以降低动态应力对跟踪环路的影响。建立了INS辅助锁相环和锁频环性能分析模型,基于该模型可知IFLL2对本地振荡器的抖动噪声抑制能力更强,可更多地降低跟踪环路带宽,故其性能优于INS辅助锁相环(IPLL)的性能。高动态仿真试验结果表明高动态环境下独立式三阶锁相环可跟踪载噪比为28dB Hz的GPS L1 C/A卫星信号,INS辅助最优带宽二阶锁频环算法可跟踪载噪比为19dB Hz的卫星信号,基于本算法的接收机的干扰抑制能力提高了9dB,与理论分析结果相当。     

基于高斯过程的航天器自适应滑模姿态控制

针对存在模型不确定性和外界干扰的刚性航天器,提出了一种基于高斯过程回归(GPR)的新型自适应滑模姿态控制算法。该算法具有自学习能力,在不同的姿态控制任务下都能够实现高精度、强鲁棒和高效率的姿态跟踪。首先,在航天器的四元数标称系统动态模型基础上,应用在线稀疏高斯过程回归(SOGP)方法学习系统的未知动态;其次,结合高斯过程的预测均值设计滑模控制算法,利用高斯过程的预测方差自适应调节控制增益,并应用李雅普诺夫方法严格证明闭环系统的稳定性,保证了航天器姿态跟踪误差的渐进收敛性;最后,通过数值仿真验证了所设计控制器的有效性。结果表明,该自学习控制算法与自适应滑模控制(ASMC)与神经网络自适应控制等算法相比,具有更快的收敛速度、更高的跟踪精度以及更低的控制成本。     

高超声速飞行器自适应神经网络控制

针对一类高超声速飞行器,在充分考虑其非线性模型包含未建模动态、气动参数变化、弹性形变等产生的未知非线性不确定函数以及外界扰动的情况下,设计了一种基于自适应神经网络的非线性逆控制器。首先,将系统的动态特性分为标称部分和不确定部分,采用非线性逆的思想设计标称部分的控制器,利用神经网络逼近不确定部分,将神经网络的最优权值采用自适应律进行调节,提高神经网络的在线逼近能力。利用改进的变结构控制来消除神经网络逼近误差的影响,最终使跟踪误差收敛为零,并保证闭环系统的信号有界。通过仿真验证了设计方法的正确性。     

高超声速飞行器动态神经网络反推自适应控制

针对高超声速飞行器纵向模型的高度非线性特点,在考虑模型不确定性的情况下,提出了高超声速飞行器动态神经网络调节函数反推自适应控制方法.对给定的速度指令,引入积分型Lyapunov函数设计跟踪控制器,取消了控制增益一阶导数上界的限制,且避免了控制器的奇异性;对给定的高度指令,引入调节函数技术,设计了反推控制器,避免了将模型化为严反馈形式;采用动态神经网络对未知系统动态进行自适应在线逼近.根据Lyapunov理论证明了设计的控制律保证了闭环系统的稳定性与指令跟踪的精确性.仿真结果验证了该方法的可行性及有效性.     

最小发汗量冷却系统的PID进化控制策略和实现算法

针对发汗冷却系统中不可压缩发汗剂对热层温度场的优化控制问题,利用径向基函数神经网络建立了被控温度场的预测模型,构造了使发汗剂消耗量和预测温度超调量极小化的泛函性能指标,提出一种基于遗传算法的PID进化控制策略和实现算法。同时,该神经网络预测器可以通过在线学习随时跟踪温度场的变化,以实现对温度场的滚动优化和进化控制。仿真结果表明,这种基于神经网络预测和遗传算法优化的PID进化控制器能够实现在几乎无烧蚀的情况下发汗剂消耗量的最小化。而且,该算法还适合于多样化的性能指标,便于求解和实现,实用性强。     

基于小波神经网络的PIM功率时间序列预测

无源互调（passive intermodulation，PIM）是影响通信系统性能的关键因素之一。研究表明，PIM信号并非一个定值，而是随时间变化的非平稳信号。基于PIM功率信号的时间序列特性，文章提出基于小波神经网络的PIM功率时间序列预测方法。首先，详细介绍小波神经网络预测模型及其预测方法；其次，以同轴连接器为验证对象，通过PIM实验测试系统获得3阶PIM功率的时间序列；最后，依据获得的PIM功率时间序列，结合构建的小波神经网络预测模型对后续的时间序列进行预测分析，并将预测结果与实验结果进行比较，从而验证小波神经网络在预测PIM功率时间序列方面的有效性。该研究对于开展PIM抑制技术具有一定的参考价值。     

刚柔耦合系统神经网络跟踪控制方法研究

针对刚柔耦合系统的姿态跟踪及振动抑制问题,采用一次近似动力学模型,提出了一种神经网络控制方法.典型刚柔耦合系统由一个中心刚体和带有末端质量块的柔性附件组成,假设系统参数未知并且截断模型具有任意的有限维.该方法利用多层神经网络补偿系统非线性项及未建模动态,利用其自学习和自适应能力,降低不确定性因素对系统产生的影响;并且控制器只利用姿态角和角速度信息进行反馈控制,不需要知道柔性附件振动信息.理论分析和实验结果表明该方法使闭环系统所有信号一致最终有界,能有效地使系统完成姿态跟踪,而且能显著地减少柔性结构的弹性振动.     

改进的小波神经网络遥感图像融合算法的研究

本文改进了现有的小波遥感图像处理算法。用非线性小波基取代神经元非线性激励函数,提出一种新的最优小波神经网络的遥感图像融合算法。研究发现通过小波神经网络自适应算法进行图像滤波融合,具有网络结构小、收敛速度快的优点,同时新算法处理的遥感图像具有更高的清晰度和分辨率。