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。     

模糊神经网络控制器在卫星姿态控制系统中的应用

现代卫星的姿轨控制面临着挠性附件对本体姿态的耦合作用。本文将卫星太阳帆板挠性结构对本体姿态的影响增广进系统方程 ,在PID控制器控制刚体卫星的基础上 ,设计了模糊神经网络控制器 ,采用反向传播和最小方差估计的学习方法进行模糊规则的学习 ,仿真表明 ,模糊神经网络特有的学习和处理定性与定量知识的优点 ,将使卫星姿态在参数变化与外部干扰情况下具有较好的姿态稳定度与精度。     

进化神经网络在复合材料格栅结构设计中的应用

根据Kolmogorov多层神经网络映射存在定理,利用进化神经网络来实现结构设计参数(输入)与结构响应参数(输出)的全局非线性映射关系,以此来代替实际结构优化过程中存在的大量有限元计算,从而提高优化效率。以遗传算法为优化求解器,神经网络屈曲稳定性响应面为主要约束,对复合材料格栅加筋结构的优化问题进行了分析研究。算例表明,在相同(有限元)样本数据的情况下,进化神经网络通过自适应调节网络结构和权值,可获得比BP神经网络更高精度的映射模型,具有很强的泛化能力。该方法可为解决大型复合材料结构优化设计提供一条高效途径。     

小型固体运载器起飞段姿态控制方法研究

针对控制系统,采用侧喷流发动机和栅格舵的新型小型多级固体运载火箭开展了起飞段姿态控制方法研究。给出了在低马赫数条件下侧喷流发动机的力放大因子和栅格舵的控制力矩,建立了运载器姿态控制模型。根据侧喷流和栅格舵的特点,设计了PID控制器与智能开关控制器相结合的新型控制器,运用神经网络算法实现了开关控制器参数的在线选择。仿真结果表明,所设计的控制器满足控制精度、稳定度和鲁棒性的要求,算法简便,具有工程可实现性,以侧喷流发动机和栅格舵为执行机构的控制系统能满足运载火箭起飞段姿态控制要求,为陆基或空射小型固体运载火箭姿态控制方法提供了一种新思路。     

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。     

基于神经网络的扰流柱通道表面传热系数预测

针对扰流柱通道结构的流动传热过程进行了仿真研究，构建了该结构内部表面传热系数的快速预测模型。该预测模型首先构建了若干流阻元件用于冷气质量流量预测，之后根据质量流量预测结果计算通道内的流动雷诺数。将雷诺数与几何结构参数组合并输入基于遗传算法优化的反向传播神经网络，分别预测通道内不同结构的平均表面传热系数。最后建立基于肋化传热模型的扰流柱导热等效表面传热系数换算方法，以便将预测模型应用于实际双层壁涡轮叶片的冷效预测。经数值仿真验证，该模型对通道内冷气质量流量和表面传热系数进行组合预测，相对误差控制在5%以内。     

舰载机横侧向着舰控制律研究

研究了舰载机横侧向着舰控制律。建立了舰尾气流扰动下的舰载机横侧向数学模型;提出了基于滚转角指令控制方式的舰载机横侧向着舰控制律设计思想,并分析了滚转角指令控制方式的优点;采用SHL神经网络动态逆控制方法设计了横侧向着舰控制律;对舰载机滚转角、航迹侧滑角和偏航角进行了数值仿真。结果表明,横侧向滚转角指令控制系统对飞行状态变化具有良好的鲁棒性和解耦能力,对舰尾气流扰动的敏感性远低于滚转角速率指令控制系统,能较好地满足着舰控制要求。     

基于数值分析和神经网络的轨道过车信号判断

针对不同列车物理属性差异导致的ZPW-2000 R轨道电路输出信号数据长度不一致而难以建立统一的神经网络模型问题,提出一种基于数值分析和神经网络的轨道过车信号判断模型.首先,利用数值分析方法将显示轨道是否占用的主机调接入电压数据集处理成长度一致的结构;其次,以处理好的数据集作为输入,以轨道占用或空闲状态作为输出,建立基...     

一种弹道修正弹SINS任意滚转角快速粗对准方法

针对弹道修正弹药出炮口后滚转角处于随机状态,捷联惯导系统(SINS)失准角过大时卡尔曼滤波收敛困难的问题,提出在卫星拒止环境下利用神经网络快速估计初始滚转角的改进方法。在炮口处布设少量导航信标,建立反向传播(BP)神经网络拟合初始滚转角与观测量间的非线性映射模型。针对信标辅助下姿态弱可观的问题,引入惯导测量参数作为输入,提高网络估计精度。采用主成分分析法进行特征提取,简化网络结构。仿真结果表明,与基于非线性卡尔曼滤波的对准方法相比,本算法可实现任意滚转角下的快速粗对准;对射角、初始俯仰角误差未在训练范围内以及存在布设误差等场景也进行了测试,与未优化的BP网络相比,对准精度更高,鲁棒性更好。     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP, Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.