基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

基于迭代学习观测器的容错控制

提出了一种基于迭代学习观测器(ILO)将故障检测和容错控制进行统一设计的方法。迭代学习观测器不仅可以用于进行状态估计和故障检测,而且可以用于获得控制输入调节项并进行故障估计。设计重构控制律的基本思想是利用估计状态和控制输入调节项来补偿故障引起的影响。文中还给出了特定假设条件下闭环重构控制系统稳定性的严格证明。理论分析和仿真研究表明,所提的方法是有效的并可保证闭环系统具有良好的重构性能．     

线性广义系统的迭代学习控制

讨论了正规，稳定，无脉冲的定常广义系统的迭代学习控制问题，通过构造满足广义约束的Lyapunov函数来分析定常广义系统在P型学习律下迭代学习误差的收敛性问题，同时给出在每次迭代时初态固定于同一点的误差收敛的充分性条件，最后给出数值仿真算例说明该学习律的有效性。     

计算机软件技术基础多媒体辅助教学软件研究与开发

通过对计算机软件技术基础多媒体辅助教学软件结构进行分析 ,提出了抽象模型 ,给出了基于推理的学习过程控制算法 ,讨论并实现了数据库管理及数据库表结构多媒体字段 ,最后分析了软件运行现状。     

一种新的混合高斯模型的学习算法

混合高斯模型是背景对消中一种非常有效的方法.本文提出了一种有效的混合高斯模型的学习算法.与以前的方法不同在于:a.根据最大似然准则,在线的更新模型的参数;b.定义了遗忘因子和学习率因子,并根据它们实际的物理含义,得到了更一般的形式.运用这种算法对模拟视频数据和真实视频处理,结果表明,本文提出的学习算法无论在收敛速率,还是在准确性方面,都要优于以前的方法.     

基于RDK-ELM 的航空发动机控制系统故障诊断

为保持较高诊断正确率,缩短训练时间,满足航空发动机故障诊断对于实时性和高诊断率的需求,提出1种对深度核极限学习机的简约改进方法。输入数据中随机选取部分数据作为支持向量,结合深度学习网络的多层结构,完成了对输入样本的特征提取,通过核函数实现了高维空间映射分类。数字仿真表明:算法分类正确率高,训练时间短,可应用于航空发动机控制系统的故障诊断。     

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。     

基于神经网络的卫星控制系统故障识别方法

闭环控制系统的反馈调节机制,可能破坏开环系统的可辨识性,导致误报率和漏报率同时上升,还可能导致同一故障模式下的多个变量发生异常,给闭环控制系统故障识别带来难度。针对单输入单输出系统,分析了闭环控制对可辨识性、误报率和漏报率的影响,对多输入多输出系统,理论上推导了闭环控制系统传感器故障的传播机理,分析了闭环控制系统对系统变量的影响关系,利用神经网络构建了闭环故障识别算法。数值仿真结果验证了闭环对故障系统诊断的不利影响,而卫星姿态控制系统的仿真结果标明:与传统方法相比,提出的方法识别性能更高。     

Ground maneuver for front-wheel drive aircraft via deep reinforcement learning

The maneuvering time on the ground accounts for 10%–30% of their flight time, and it always exceeds 50% for short-haul aircraft when the ground traffic is congested. Aircraft also contribute significantly to emissions, fuel burn, and noise when taxiing on the ground at airports. There is an urgent need to reduce aircraft taxiing time on the ground. However, it is too expensive for airports and aircraft carriers to build and maintain more runways, and it is space-limited to tow the aircraft fast using tractors. Autonomous drive capability is currently the best solution for aircraft, which can save the maneuver time for aircraft. An idea is proposed that the wheels are driven by APU-powered (auxiliary power unit) motors, APU is working on its efficient point; consequently, the emissions, fuel burn, and noise will be reduced significantly. For Front-wheel drive aircraft, the front wheel must provide longitudinal force to tow the plane forward and lateral force to help the aircraft make a turn. Forward traction effects the aircraft’s maximum turning ability, which is difficult to be modeled to guide the controller design. Deep reinforcement learning provides a powerful tool to help us design controllers for black-box models; however, the models of related works are always simplified, fixed, or not easily modified, but that is what we care about most. Only with complex models can the trained controller be intelligent. High-fidelity models that can easily modified are necessary for aircraft ground maneuver controller design. This paper focuses on the maneuvering problem of front-wheel drive aircraft, a high-fidelity aircraft taxiing dynamic model is established, including the 6-DOF airframe, landing gears, and nonlinear tire force model. A deep reinforcement learning based controller was designed to improve the maneuver performance of front-wheel drive aircraft. It is proved that in some conditions, the DRL based controller outperformed conventional look-ahead controllers.