挠性航天器高精度智能控制方案研究

从工程角度出发，研究了智能控制方案，旨在提高挠性航天器的姿态指向精度和稳定度。针对挠性模态不可测的特点，文中采用了输出反馈变结构控制来抑制挠性附件的振动，并用神经网络自适应控制来补偿系统的不确定性因素。智能控制的引入使得控制器具有很强的自学习和自适应能力，可降低不确定性因素对系统产生的影响，减小系统的稳态误差，从而达到高精度控制的目的。仿真结果证明了该方法的有效性。     

基于流量预测的双层卫星网络动态路由算法

卫星网络具有覆盖广泛、接入简单等优点,被认为是下一代互联网的重要组成部分。文章提出了一种基于流量预测的双层卫星网络动态路由技术,拓扑采用LEO层和GEO层双层卫星网络结构,能够支持卫星网络新节点的动态加入。针对卫星网络管理员节点在执行网络任务时可能造成高负载导致高丢包率,从而影响网络性能的缺点,提出卫星网络管理员节点调整策略,根据流量预测算法对超过阈值的卫星网络管理员节点进行更换。最后,文章通过仿真试验对算法性能进行了验证,证明此算法在端到端时延和管理员节点丢包率方面具有优势。     

神经网络修正的速度约束辅助车载SINS定位算法

对于车载全球导航卫星系统(GNSS)/捷联惯性导航系统(SINS)组合导航系统,针对GNSS失效而SINS单独工作时仅使用速度约束辅助SINS其纵向位置误差逐渐发散的问题,提出一种神经网络修正的速度约束辅助车载SINS定位算法。通过径向基函数(RBF)神经网络预测SINS纵向位置误差修正系数,以提高SINS单独工作时的定位精度;此外,提出一种限定记忆指数加权实时估计量测噪声的自适应滤波算法。在人为设置GNSS失效以及真实隧道场景下进行车载试验,结果表明本文算法能够在不停车情况下在线修正SINS纵向位置误差,相比于速度约束与卡尔曼滤波相结合的常规算法,有效地提高了GNSS失效时的车载SINS定位精度。     

一种前馈神经网络的变误差主动式学习算法

研究误差反向传播多层前馈神经网络的主动式学习方法.文章分析了目前用于训练前馈神经网络改进BP算法的特点和存在的不足,在此基础上提出逐次主动调整网络学习误差的网络训练思想,根据网络输出误差趋势,主动变化输出层的调整误差δ_pl,使W\+k\-\{ji}和θ\+k\-j在调整过程中受到每次学习效果信息的控制,从而得到一种主动式变误差的学习算法.实验表明,在训练多层前馈神经网络时,变误差主动式算法的学习效率比改进BP算法的学习效率有明显提高.     

采用BP算法的模糊自适应控制

在对不熟悉的过程进行模糊控制时,由于对过程的不了解,很难得到合适的控制规则.基于模糊控制器的一种解析结构,提出了将模糊控制器与神经网络相结合的方法.由神经网络对系统进行辨识,并为学习系统提供必要的信息,将控制对象视为神经网络的输出部分,采用BP算法根据神经网络提供的信息对经验规则进行修改,从而改善模糊控制系统动态响应.仿真结果表明该控制器对模型参数变化具有较好的适应能力,能够较快地修改系统的原控制规则,使对象输出较快地跟踪系统的输入.     

基于信息压缩的四层前向网络模型体系结构及其应用

提出了一种基于信息压缩原理的四层前向网络体系结构,用以为液体火箭发动机部分参数建立网络模型。利用所选参数的时间序列对这些参数实现平滑、滤波与预测等处理,提高了基于试车数据驱动的故障监控系统对量测噪声、传感器故障与系统过程噪声的鲁棒性。该四层结构大大缩小了网络权值规模,网络模型的训练采用演化策略。     

使用神经网络的末制导方法

选择具有常值加速度的目标作为一个简化但有代表性的目标模型,以拦截弹的△ｖ最小为性能指标,得到了一定初始拦截距离下的训练数据,并使用ＢＰ算法对神经网络进行了训练,在有目标机动加速度估计误差的情况下,将神经网络制导获得的拦截精度和变轨机动速度增量同用扩展比例导引得到的结果进行了比较,结果表明,神经网络导引法能够保证对目标的拦截精度,具有很强的适应性。     

利用神经网络预报电离层f0F2

由中国武汉电离层台站和澳大利亚Hobart台站的电离层F2层临界频率(f0F2)的资料,利用三层前向反馈神经网络(BP网络),提出一种提前24h预测f0F2的方法,该方法以前5天观测的f0F2数据拟合的5个系数以及太阳活动参数作为输入,以当天24 h的f0F2作为输出对网络进行训练,训练好的网络可以实现对f0F2提前24 h的预报.预测结果显示,利用神经网络预测的f0F2与实际观测结果变化趋势较一致,并且比IRI的计算结果更加准确.误差分析表明,在南半球Hobart(-42.9°,147.3°)台站比中国武汉站(30.4°,114.3°)的结果要好,在低年比高年要好,在冬夏季节比春秋季节稍好.本文说明利用神经网络对电离层参量进行预报是一种切实可行的方法.     

UHMWPE/LDPE层合板复合材料损伤声发射信号识别

为了掌握UHMWPE/LDPE复合材料的损伤机理,运用声发射技术结合聚类分析方法建立不同损伤形式的声发射信号训练样本,通过神经网络实现损伤信号的识别,并分别探讨了训练函数、传递函数、网络结构等因素对识别率的影响。研究表明,由系统聚类可提取幅度、峰值频率、持续时间为模式特征,结合Kmeans聚类可建立11个类别共583信号的训练样本。以混淆矩阵为识别率指标,当训练函数为traingdx、隐层/输出层传递函数为tansig/logsig、隐层神经元数量为70时,网络的识别率达97.2%,为基于声发射技术的热塑性基体复合材料损伤识别提供参考。     

分数阶Cohen-Grossberg神经网络的Mittag-Leffler稳定性

在整数阶 Cohen-Grossberg神经网络与分数阶理论及分数阶神经网络的基础上,提出了分数阶 Cohen-Grossberg神经网络。为了研究该类型神经网络,引入 Mittag-Leffler函数并利用 Mittag-Leffler函数及分数阶导数的相关性质,进而通过构造 Lyapunov函数的方法,研究了分数阶 Cohen-Grossberg神经网络的 Mittag-Leffler稳定性,并最终给出了相应的充分性条件。最后,通过实例仿真验证了结论的正确性。