基于自适应反推滑模控制的虚拟转台样机研究

针对传统转台串行设计模式存在的缺陷，基于虚拟样机技术、自适应滑模控制器与有限元等技术作为支持，提出了虚拟仿真转台的系统构想。其中针对实际转台系统的未知非线性、外界干扰和参数摄动等不确定因素的影响，设计并实现一类自适应滑模控制器进行虚拟转台系统的实时控制。同时，通过ADAMS软件平台实现了虚拟转台样机系统及其功能，并将自适应滑模控制器调入虚拟转台样机，最终实现机械模型和控制方法进行联合仿真分析，获得最终虚拟转台的特性。仿真结果表明，虚拟转台样机的设计与实现大大提高了转台的设计效率，为后续转台的控制系统渊试提供强大的技术支持。     

用神经网络镇定可反馈线性化的仿射非线性系统

在用状态方程描述的单输入仿射非线性系统中存在一类可以通过非线性状态变换（ｘ）和输入变换ｕ＝α（ｘ）＋β（ｘ）ｖ实现输入──状态线性化的系统，用多层前馈神经网络通过实时学习实现此状态变换，并在此基础上用李亚普诺夫方法设计进行系统镇定的反馈控制器，仿真表明，学习在很短时间内可收敛，且系统对外干扰和未建模动态有一定鲁棒性。     

航空发动机多变量神经网络自适应控制仿真研究

针对航空发动机是一个具有强非线性、时变不确定性的被控对象,提出了一种基于RBF网络的航空发动机多变量神经网络自适应控制方法,该方法采用RBF网络对发动机非线性模型进行实时辨识,并将系统的灵敏度信息反馈给神经网络控制器,保证了控制器对被控对象的准确控制.通过某涡扇发动机在飞行包线内的数字仿真,结果表明该方法不依赖被控对象的精确模型,有效地实现了对发动机的多变量自适应控制,而且具有较好的动静态性能.     

任务空间内空间机器人鲁棒智能控制器设计

研究了基于神经网络的自由漂浮空间机器人在任务空间内的轨迹跟踪问题。首先利用RBF神经网络来逼近自由漂浮空间机器人高度非线性的动力学模型，然后设计了鲁棒控制器对逼近误差和外部干扰进行抑制。利用Lyapunov直接方法建立的新的神经网络参数和连接权值的在线学习算法，以及利用耗散理论设计的鲁棒控制器保证了系统的稳定性，并能够使系统L2增益小于给定的指标。利用该控制器对平面二连杆空间机器人进行了仿真研究，表明该智能控制方案是有效的。     

一种BP MFN逆模型补偿的复合控制结构方案研究

由于对结构未知和不确定的非线性系统还没有形成一种通用有效的辨识和控制方法，为此首先对非线性系统逆模型辨识和控制的结构方案进行分析，然后基于复合控制思想，对基于神经网络的非线性系统逆模型补偿的复合控制结构方案进行研究。设计了一种基于BP MFN（Multilayer Feedforward Network）逆模型补偿的复合控制结构方案，并基于不同BPMFN逆模型结构进行了仿真。仿真结果显示，基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的，且在满足辨识建模精度要求前提下，采用相对简单的BPMFN逆模型结构，对提高逆模型的泛化能力和非线性系统的控制效果是有益的。     

基于反馈线性化的动能拦截器姿态控制研究

动能拦截器进入末制导阶段时经常需要进行大角度姿态机动,这时拦截器姿态控制系统具有非线性、强耦合、多输入多数出(MIMO)的特点。现针对动能拦截器模型的非线性和不确定性,提出PID神经网络自适应逆控制方法对拦截器飞行姿态进行控制。首先基于精确反馈线性化方法将系统解耦成三个独立的子系统,然后应用基于PID神经网络的自适应逆控制方法分别设计每个子系统的姿态控制器。该方法将PID神经网络控制与自适应逆控制相结合,对于拦截器姿态控制系统中的建模误差以及外部干扰具有较强的适应能力。仿真结果证明了该方法的有效性。     

基于LuGre摩擦模型的转台伺服系统自适应摩擦补偿研究

为消除非线性摩擦对测试转台性能的影响,选用LuGre摩擦模型描述转台系统所受的非线性摩擦。根据转台直流电机系统数学描述,提出了非线性摩擦补偿方法。设计了双观测器结构估计LuGre模型中的不可测状态;考虑LuGre模型中3个参数的非一致性变化,设计了自适应摩擦补偿控制算法,在线估计摩擦模型中的参数,并对非线性摩擦进行补偿。用李雅普诺夫方法证明了采用自适应摩擦补偿方法的闭环系统的稳定性。仿真结果表明:正弦波输入时,摩擦补偿后的位置跟踪误差(峰-峰值)较无摩擦补偿减小了1个量级,位置跟踪性能有较大改善,辨识出的摩擦模型参数能稳定收敛于真实值附近;三角波输入时,自适应控制的位置跟踪精度更高。     

仿真转台用新型连续回转液压伺服马达摩擦特性研究

介绍了一种仿真转台用新型叶片式无脉动连续回转液压伺服马达的工作原理，详细分析了拉各瑞(Lugre)摩擦力模型，给出了摩擦力模型的参数辨识方法及在系统中的补偿措施，通过实验研究，得到本新型连续回转马达的摩擦力矩模型，并通过实验对马达的低速及阶跃响应进行了研究。验证了采用摩擦力补偿措施有效地克服了系统的低速爬行及极限环震荡现象，且使马达的性能完全符合仿真转台的需要。     

基于单隐层神经网络的空天飞行器直接自适应轨迹线性化控制

基于轨迹线性化方法（TLC）及神经网络技术研究了一种新的直接自适应TCC控制方案。利用单隐层神经网络（SHLNN）对于光滑非线性函数的逼近能力，对消系统中不确定因素的影响，神经网络自适应律采用Lyapunov方法设计，保证了整个系统所有信号有界。最后利用该方案设计了空天飞行器飞行控制系统，并在高超声速飞行条件下进行了仿真验证，仿真结果表明整个控制系统具有很好的性能和鲁棒性。     

带移动滑块太阳帆航天器姿态控制技术研究及仿真

针对以移动滑块为控制执行机构的太阳帆航天器,基于拉格朗日分析力学建立了航天器-滑块两体系统非线性耦合动力学模型。分外环和内环回路,各自设计了基于增益调度的变增益LQR控制器和带非线性补偿的PD控制器。建立ADAMS实体仿真模型,在MATLAB/Simulink软件中建立姿态控制系统仿真平台,以行星际太阳帆航天器轨道转移过程中姿态控制任务为例进行ADAMS-MATLAB动力学联合仿真实验。结果表明:设计的控制律能有效抑制光压干扰力矩对航天器姿态的影响,可实现太阳帆航天器的大角度快速姿态机动及长期姿态稳定。     

基于再励模糊神经网络的三轴稳定卫星姿态智能控制

将再励学习引入模糊神经网络的T-S模型,建立了模糊神经网络控制器和控制评估网络的再励学习算法,并应用于三轴稳定卫星的姿态控制。这种再励模糊神经网络不需要精确的卫星数学模型和学习样本,通过再励学习实现控制网络/评估网络参数的在线调节,具有比较强的适应性和学习能力。仿真结果表明,这种智能控制方法可以有效解决卫星的模型不确定性问题,提高了卫星姿态控制的精度和鲁棒性。     

模糊神经Petri网及在武器装备效能评估中应用

将模糊Petri与神经网络理论相结合,提出了一种关于武器装备效能评估的模糊神经Petri网模型。将模糊逻辑规则应用到专家评判中得到模糊Petri网,并在此基础上将人工神经网络引入到模糊Petri中,从而提高了系统的学习能力以及对外界环境的自适应能力。仿真结果表明该模型是可行和有效的。     

空间机器人的智能控制器设计

自由漂浮空间机器人动力学方程不能被参数线性化并且存在模型不确定性，使得基于数学模型的控制问题变得十分复杂。本文研究了自由漂浮空间机器人的智能控制方法，提出了一个鲁棒的模糊神经网络控制器。首先利用模糊神经网络控制器来逼近理想控制器，然后利用鲁棒控制器对逼近误差进行估计和抑制。根据Lyapunov函数建立的新的网络学习算法保证了系统的稳定性。最后利用该控制器对平面二连杆空间机器人进行了研究。仿真结果表明该智能控制方案是有效的。     

基于FCMAC的空间零重力环境 地面模拟装置控制

文章提出了一种新型的空间零重力地面模拟系统,该系统采用机械传动、电机驱动和气悬浮组合的方式来实现空间零重力环境的模拟,即:水平方向采用气悬浮方式,竖直方向采用永磁同步电机（PMSM）作为其执行器件,经减速器后利用滚珠丝杠及带直线轴承的导向杆的传动装置,通过力反馈控制方式来实时抵消目标重力。考虑到永磁同步电机具有非线性、强耦合的特点以及机械摩擦等不确定性及外界干扰,为保证实时性,内环采用动态性较好的滑模变结构控制器,外环采用学习速度快的模糊小脑模型关联控制（FCMAC）神经网络的控制策略来自适应学习并补偿各种不确定及非线性影响。仿真结果表明:所设计的试验系统具有整体重量轻、使用方便及零重力环境模拟精度高等优点,适用于复杂运动的大中型飞行器三维空间零重力地面模拟试验。     

一种基于模糊神经网络的Speckle图像滤波器

提出一种新的基于模糊神经网络 (FNN)的 Speckle噪声自适应滤波器 ,以实时处理 SAR图像。讨论了模糊神经网络滤波器结构的设计、模糊规则的选取以及采用改进遗传算法进行参数优化的方法 ,最后 ,结合图像处理应用实例 ,与其它传统图像滤波器进行比较 ,验证所述滤波器在滤除噪声和保持细节纹理方面的有效性。     

基于BP算法的模糊神经网络研究

提出了一种基于模糊集合与前馈神经网络结合的神经网络。这种模糊神经网络（ＦＮＮ）在处理模糊特征时，能较好地反映出输入值和输出值的隶属度关系。应用经典的ＢＰ算法对网络进行训练，为了加快网络的学习过程，我们介绍了一种调整权值和阈值的学习方法，并且采用了Ｃ语言编制软件，实验结果表明，ＦＮＮ技术是一种新颖、有效的方法，能促进智能神经网络的发展。     

BP网络进行0-9十个数字图像的识别

在BP算法和数字图像处理技术的基础上,本文在MATLAB软件环境下提取Word文档中26种字体的0-9十个数字的图像,使用MATLAB神经网络工具箱及图像处理工具箱进行数字的识别,给出了较详细的处理步骤及相关程序,并比较了各种识别算法的收敛速度和识别率。     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

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。     

含模型不确定性和状态约束的航天器姿态鲁棒控制

针对严格反馈三轴稳定航天器姿态控制问题,在考虑航天器系统存在模型不确定性、未知外部扰动、系统存在时延情况下,提出了一种鲁棒控制方法。首先建立航天器误差运动学和动力学模型,使用神经网络对系统不确定性和未知扰动进行逼近、引入障碍李雅普诺夫函数对系统状态约束进行处理;然后利用反步法构造一种鲁棒自适应姿态控制器,通过李雅普诺夫方法证明闭环系统是最终一致有界的;最后,结合工程实际经验对系统已知时延进行前馈补偿。半物理仿真结果表明了所设计控制器的有效性和鲁棒性。