基于Hopfield神经网络的最优滑模制导律研究

本文的研究目的在于使制导律既保留最优制导动态性能好、节省能量的优点,同时又对有界机动目标具有良好的鲁棒性。首先,在导弹-目标追逃问题的相对运动学关系的基础上,我们根据制导动态性能好、节省制导能量要求,构造了线性二次型性能指标,利用Hopfield神经网络在线实时求解该最优制导问题,克服了实际中的最优制导难于求解的问题;同时为了在拦截有界机动目标时,保证视线角速率趋于零,又将滑模控制理论引入到制导律的设计中,并利用Lyapunov稳定性理论对该新型导引律的稳定性进行了证明。仿真结果表明该导引律能够对有界机动目标具有较强的鲁棒性,保证了导弹在追逃过程中使视线角速率趋于零,导弹的指令加速度较小。
     

基于多尺度多参量的硅MEMS陀螺仪漂移预测

针对硅MEMS陀螺仪误差因素多,输出为非线性非平稳的特点,采用传统方法难以对其建立精确的误差模型.在对小波神经网络方法改进的基础上,提出了多尺度去噪的平稳化方法及多参量非线性预测方法并将其用于硅MEMS陀螺仪漂移预测.试验结果表明,采用多尺度多参量校准方法,硅MEMS陀螺仪精度由1°/s提高到0.02°/s.     

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。
     

基于集成学习的遥测数据互相关结构知识发现

针对传统遥测数据相关性分析方法仅能发现相关程度知识，无法提供相关结构丰富信息的问题，提出一种神经网络与极限梯度提升（XGBoost）集成的遥测数据互相关结构知识发现方法。在对遥测时间序列进行线性、单调性、序对一致性、散点图形状4个维度相关结构信息标注的基础上，将混合采样、代价矩阵、神经网络、XGBoost算法相结合，直接对遥测数据进行分类得到其相关结构类别或相关关系有无的知识。采用量子卫星任务数据进行实验的结果表明:较之于原始XGBoost模型、融合混合采样与代价矩阵的XGBoost模型，所提方法在受试者工作特征（ROC）曲线、F1-score等性能指标方面具有更高的分类精度，且对类别不平衡数据不敏感，是一种适用于遥测数据互相关结构知识发现的有效方法。      

OPTIMAL PWM BASED ON REAL—TIME SOLUTION WITH NEURAL NETWORK

A novel concept of neural network based control in pulse-width modulation(PWM)voltage source inverters is presented.On the one hand,the optimal switching an-gles are obtained in real time by the neural network based controller；on the other hand,the output voltage is ad-justed to fit the expected value by neural network when input voltage or loads change.The structure of neural network is simple and easy to be realized by DSP hard-ware system.No large memory used for the existing opti-mal PWM schemes is required in the system.Theoreticalanlysis of the proposed so-called sparse neural network is provided,and the stability of the system is proved.Un-der the control of neural network the error of output volt-age descends sharply,and the system outputs ac voltage with high precision.     

基于旋转机械故障诊断模糊神经网络多传感器融合(英文)

目前多传感器融合技术能够有效地提高精度和容错能力 ,所以它广泛应用于目标识别领域中。本文描述了一种基于旋转机械故障诊断多传感器融合系统 ,在数据融合处理中利用模糊神经网络 ,比较了采用基于数据融合实验结果和没有融合的原始数据 ,显然前者比后者更精确。     

神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

一种基于混沌神经网络的拟人智能控制方法

提出一种基于混沌神经网络(CNN)的拟人智能控制方法.首先利用拟人智能控制理论得到定性控制律(线性或非线性),然后利用CNN实现控制律的定量化.Hopfield神经网络具有快速的优化能力,但容易陷入局部极小,将遍历性的渐变混沌噪声引入其中,形成具有快速全局优化能力的CNN.对二级倒立摆控制的仿真和实验结果均表明该方法有效.      

航空器导航系统飞参预测置信度评价方法研究

为了提高航空器的安全性能,需量化飞参预测过程中的不确定性,因此本文提出了基于预测模型的置信度评价流程。针对航空器导航系统中的飞参数据,采用卷积神经网络开发预测算法,对选定的飞参数据进行预处理和训练,实现高精度的目标飞参预测。综合考虑了模型搭建中的认知不确定性和数据层面的偶然不确定性,采用模型集成的方法来捕获认知不确定性,通过双头网络捕获数据中的偶然不确定性。在此基础上,构建多源不确定性模型,实现了飞参预测模型的置信度评价。经过试验测试,在正常飞参数据中植入噪声模拟实际工况的不确定性,结果显示所提置信度评价方法能有效地表示飞参预测结果的准确性,提高了航空器飞行决策过程中的安全性与可靠性。     

RBF网络在结构抗疲劳优化中的应用

针对某飞机机翼I型大梁的开孔加强方案,建立优化的数学模型,利用RBF神经网络模型来逼近设计结构的应力/参数非线性关系,代替原来的经验和拟合公式;采用遗传算法对机翼的加强结构进行优化设计,得到比较合理的结果。