具有神经元网络补偿的隐式广义预测控制的硬件设计与分析

针对隐式广义预测控制算法在被控系统复杂性增加时有效性降低、实时性变差的问题，本文将神经元网络作为该算法的补偿，提出了一种具有神经元网络补偿的隐式广义预测控制方法，并着重讨论了神经元网络的硬件设计和ＮＩＧＰＣ的实现。仿真结果表明：ＮＩＧＰＣ不仅保留了ＩＧＰＣ鲁棒性强等特点，更主要的是它提高了ＩＧＰＣ的的实时性，并使之具有良好的跟踪特性。     

一类不确定非线性系统的回馈递推滑模鲁棒控制器设计

针对一类多输入多输出不确定非线性系统，用一个RBF神经网络获得未建模动态和外来扰动的估计值，将回馈递推思想与滑模控制相结合，逐步回馈递推，设计了鲁捧控制器。将这种方案用于某型侧滑转弯导弹的飞行控制系统设计。其中，为克服导弹作动器的位置饱和、速率饱和问题，改进了滑动面的符号函数，并采用模糊逻辑对滑动面的斜率进行实时调整。仿真表明了该控制方法的有效性。     

旋转与比例不变点特征松弛匹配算法的Hopfield神经网络实现

本文在旋转与比例不变点特征松弛匹配方法的基础上，提出了用Ｈｏｐｆｉｅｌｄ神经网络实现该匹配过程的方法，通过对模拟图象进行的大量实验，得到了令人满意的结果，证实了采用Ｈｏｐｆｉｅｌｄ神经网络完成旋转与比例不变点特征松弛匹配过程的有效性和可行性。     

多传感器目标识别的优化融合

对于工作在复杂环境下的多传感器目标识别系统,确保其稳健性和准确性的关键是有效处理被融合信息的不确定性。根据影响信息不确定性的因素,文章把传感器本地识别信息的可信度分为了统计可信度和环境可信度;采用最小二乘法和神经网络实现统计可信度的估计,自适应神经模糊推理实现环境可信度估计;并利用这两种可信度实现以一致理论为基础的多传感器目标识别的优化融合。经实验仿真证明,该融合方案是有效的。     

空间大型可展开天线展开末瞬时速度控制研究

本文对可展开天线的展开末瞬时的速度控制进行了研究，在可开展天线的动力学建模、动力分析、系统辩识和控制系统设计等方面做了有益的尝试，给出了可开展天线展开末瞬时速度控制的一种智能控制方法。计算机数字仿真结果表明：该控制系统能够满足控制要求，且具有良好的准确性、灵活性、适应性等。该方法也适于其他多柔性系统的末瞬时的速度控制。     

BTT导弹神经网络自适应控制器设计

在导弹系统存在非匹配不确定性的情况下 ,提出了一种基于RBF神经网络和反演控制技术的神经网络自适应导弹控制系统的设计方法。首先应用RBF神经网络在线辨识系统中存在的不确定性 ,然后利用反演控制技术设计了导弹非线性自适应控制器 ,成功的处理了非匹配不确定性 ,并应用Lyapunov稳定性理论推导出RBF神经网络权重矩阵及中心点值的调节律 ,保证了系统的稳定性。证明了系统的所有信号均有界且全局指数收敛至原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果显示了该设计方法的有效性。     

基于主动磁轴承的高速飞轮转子系统的非线性控制研究

针对控制力矩陀螺——主动磁轴承飞轮转子系统的强非线性和由陀螺效应产生的进动和章动导致系统的失稳问题,提出了神经网络的控制方案,设计了RBF神经网络控制器,并给出了李亚普诺夫函数的稳定性证明。研究表明,该控制器解决了陀螺效应导致的主动磁轴承-飞轮转子的不稳定性问题,且抑制了噪声对磁轴承稳定性所造成的破坏。最后,数值算例证明了该方法消除噪声的可行性和有效性。     

人工智能在OODA 循环中的应用

当前人工智能(AI) 是商业和工业，甚至军事应用领域中最热门的流行语。军事国防领域也已经将人 工智能发展成为了一种技术，并应用到军事作战和决策系统中。最初OODA 循环是最知名的空战战术模型， 后来发展成为各国空军的作战方法。OODA 循环对于任务的定义和决策过程的理解起到了重要的作用。本文主 要研究了人工智能在OODA 循环决策中的应用。讨论了未来OODA 循环各阶段中所需的AI 作用和技术，包 括可解释的人工智能和基于学习的人工智能。     

Crop parameters estimation by fuzzy inference system using X-band scatterometer data

Learning fuzzy rule based systems with microwave remote sensing can lead to very useful applications in solving several problems in the field of agriculture. Fuzzy logic provides a simple way to arrive at a definite conclusion based upon imprecise, ambiguous, vague, noisy or missing input information. In the present paper, a subtractive based fuzzy inference system is introduced to estimate the potato crop parameters like biomass, leaf area index, plant height and soil moisture. Scattering coefficient for HH- and VV-polarizations were used as an input in the Fuzzy network. The plant height, biomass, and leaf area index of potato crop and soil moisture measured at its various growth stages were used as the target variables during the training and validation of the network. The estimated values of crop/soil parameters by this methodology are much closer to the experimental values. The present work confirms the estimation abilities of fuzzy subtractive clustering in potato crop parameters estimation. This technique may be useful for the other crops cultivated over regional or continental level.     

Forecasting of DST variations from polar cap indices using neural networks

The 15-min averaged polar cap (PC) index was used as an input parameter for the Dst variation forecasting. The PC index is known to describe well the principal features of the solar wind as well as the total energy input to the magnetosphere. This allowed us to design a neural network able to forecast the Dst variations from 1 to 4 h ahead. 1998 PC and Dst data sets were used for training and testing and 1997 data sets was used for validation proposes. From the 15 moderate and strong geomagnetic storms observed during 1997, nine were successfully forecasted. In three cases the observed minimum Dst value was less than the predicted one, and only in three cases the neural network was not able to reproduce the features of the geomagnetic storm.